Rust 1.91.1 修复了 1.91.0 中的两个回归问题，包括 Wasm 平台的链接错误和 illumos 系统上 Cargo 的目标目录锁定失效。同时更新了 #[link(wasm_import_module)] 属性的处理，解决了同名符号导入的问题。

本研究探讨了在高可靠性系统中更新深度神经网络(DNN)时的回归问题。通过案例研究，采用自定义目标函数和NeuRecover技术，有效抑制了回归现象，并分析了所面临的挑战。

本研究提出了一种名为ConFrag的新方法，旨在解决噪声标签的回归问题。通过将数据转化为不连贯片段对，ConFrag提高了样本选择的准确性，并在处理标签噪声时表现优异，超越了十四个基线方法，展现出强大的鲁棒性。

本研究提出了一种基于均方误差的风险方法，通过将校准问题转化为回归问题，优化分类器校准的平方误差估计。利用独立同分布的输入对，显著提升了现有估计器的性能，并与核岭回归的新估计器进行了比较。

本文介绍了inTrees框架，通过提取和选择树集合中的规则，提高模型的可解释性。该框架适用于分类和回归问题，涵盖随机森林和梯度提升树等多种模型。研究提出了多种方法生成模型的局部解释，增强对黑盒模型的理解，并通过实验验证了这些方法的准确性和性能。

本文探讨了单隐藏层神经网络在回归问题中的应用，分析了激活函数的性质及其对学习效果的影响。研究提出了新的参数初始化方法和优化算法，验证了神经网络在不同条件下的学习能力，并探讨了深度学习中的理论与实践差距。实验结果验证了收敛条件的有效性，并提出了改进算法的参数搜索方法。

本研究探讨了混合专家模型在回归问题中的应用，提出了改进的分布式回归损失和基于视觉Transformer的领域泛化模型GMoE，显著提升了预测准确性和学习效率。同时，研究还提出了新的概率混合专家策略和双层MoE模型，优化了不平衡数据学习和任务分类性能。

本文探讨了单隐藏层神经网络在回归问题中的应用，分析了激活函数的性质及其对模型性能的影响。研究表明，适当初始化和正则化下的过度参数化神经网络能够有效降低泛化误差，实现稳定收敛。数值实验验证了理论结果，强调了L2正则化在提高训练鲁棒性方面的重要性。

本研究提出了一种新的笛卡尔遗传编程方法，通过多目标进化算法优化神经结构搜索，实验结果表明其在分类性能和模型复杂度上具有竞争力。同时，研究探讨了基于多维基因编程的演化计算方法，显著提升了回归问题的表现。

本文探讨了多目标优化中的帕累托最优解，提出了一种新的高效方法来生成局部连续的帕累托集，并将其应用于现代机器学习。研究表明，该方法在多任务分类和回归问题中表现优越，能够有效平衡权衡并处理百万级参数任务，同时强调了准确性与公正性之间的平衡。

本研究探讨了半监督学习中的回归问题，提出了一种基于超图的$p$-Laplacian方法和新型半监督学习方法，展示了其在超图学习中的优越性能。同时，研究了图神经网络中的正则化方法，提出了P-reg变体以提升模型性能，并开发了基于流形正则化的深度神经网络技术，以确保局部稳定性和高效性。

本文提出了回归问题中的不平衡定义，并推广了其为分类中常用的不平衡度量。作者希望引起人们对回归不平衡问题的关注，并为未来的研究提供基础。