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。

本研究提出了一种新方法，通过动态阈值和重采样策略解决3D半监督学习中的数据不平衡问题，确保各类别公平表示。实验结果表明，该方法在分类和检测任务中表现优越。

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。