该论文提出了一种新的随机优化方法SOFIM，用于大规模机器学习模型的优化。SOFIM利用FIM近似Hessian矩阵，类似于Adam方法，解决小批量非定常目标问题。实验结果表明，SOFIM在图像分类数据集上优于带动量的SGD和其他牛顿优化方法。

该研究提出了一种融合解释性的决策制定算法，利用神经网络和消息传递的方式相互学习，建立决策树，使其对用户更加精练、语义化和相关。在三个基准图像分类数据集上，该模型生成了人类可解释的二进制决策序列，同时保持了最先进的准确性。

我们开发了一种名为Resbuilder的神经结构搜索算法，可以从头开始开发ResNet架构，也可以修改现有架构。实验证明，Resbuilder在不同的图像分类数据集上实现了接近最先进的性能，同时节省计算成本。我们在欺诈检测数据集上应用了我们的方法和默认参数，证明了这种性质适用于工业应用。