本研究提出了一种一致性局部化两层深度神经网络回归方法，解决了空间数据回归的不足。分析表明，该方法在空间区域中的一致性和收敛速度优于现有方法，并成功应用于美国主要城市的月平均温度估计。

本文探讨了张量网络在高维偏微分方程中的应用，结合反向随机微分方程和回归方法，通过低秩结构实现高效计算。提出的新迭代方案在精度与计算效率之间取得了良好平衡。

本文提出了一种新颖的基于距离的回归方法，旨在解决过拟合和欠拟合问题。研究表明，该方法显著提高了预测准确性，并在特定数据集上展现了实用价值。

本研究提出了一种使用线性非高斯模型的统一局部因果发现方法，能够准确识别局部有向结构和因果强度。对于非循环场景，还提出了一种基于回归的替代方法。实证验证结果良好。

本研究发现交叉熵损失的分类方法优于均方误差损失的回归方法，同时提出了序数熵损失方法来提高回归任务性能。实验结果显示增加熵对回归任务有重要性和好处。