本研究提出了一种基于分割符合预测框架的方法，旨在减轻大型视觉语言模型在视觉问答任务中的虚假内容问题。该方法通过动态阈值标定和跨模态一致性验证，在用户定义的风险水平下构建具有统计保证的预测集，适用于医疗和自动化系统等安全关键领域。

本研究提出了一种基于预测理论的质量控制框架，针对深度学习在医学图像分割中的置信度校准问题。该框架通过动态阈值机制自适应调整分割决策边界，有效控制虚假发现率，提高医学影像分析的准确性和安全性。

本研究提出DyConfidMatch方法，旨在解决3D半监督学习中的数据不平衡问题。该方法通过动态阈值和重采样策略，充分利用未标记数据，确保各类别的公平表示。实验结果表明，该方法在分类和检测任务中表现优越。

本文介绍了一种基于生物启发的脉冲神经网络（SNN）模型，该模型结合突触可塑性和动态阈值实现监督学习，表现出良好性能。研究探讨了多种学习规则及其在图像、音频等领域的应用，强调生物基础机制在提升深度学习模型性能中的重要性。新模型在处理复杂时空任务时展现出优越性，推动了神经形态计算的发展。

本文探讨了人类与人工神经网络（ANNs）学习机制的差异，重点解决灾难性遗忘问题。提出了动态阈值移动算法和多模型知识蒸馏策略，显著提高了模型在CIFAR100和MNIST数据集上的性能。研究表明，通过合理的正则化和多源知识融合，可以有效减轻遗忘现象，实现更好的学习效果。

本文探讨了面部表情识别（FER）中的新方法，如动态阈值、无监督学习和自适应融合网络。这些方法旨在解决数据不一致性、噪声和畸变问题，提高识别准确性，并在多个数据集上取得了优异的性能，推动了FER技术的发展。

该文介绍了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型，通过使用原型网络和混合注意力来实现更具区别性的原型，并通过整合支持集和查询集的语义信息来学习动态阈值实现多标签推断。