本研究解决了神经网络中可解释性不足的问题，提出了一种新的激活函数——加权莱默变换，使特征选择更加自适应，并拓展至复数领域，从而捕捉数据中的相位敏感性和层次关系。研究表明，该模型在保持高效性的同时，显著提高了可解释性，能在基准数据集上实现竞争性的准确性，展示出在建模非线性交互方面的潜在影响。

本文回顾了当前存在的KGE技术，并介绍了数学空间定义。讨论了不同类别KGE方法在不同嵌入需求下的优势，并探讨了数学空间在不同场景下的优势和原因。提出了一些有前途的研究方向，希望能激发研究人员在设计KGE模型及相关应用时更加考虑其数学空间特性。

Deep Operator Network (DeepONet)是一种强大的代理建模方法，可应用于核工程领域的数字孪生系统。研究表明，DeepONet具有出色的预测准确性和计算效率，优于传统机器学习方法。它为优化传感器布置和模型评估提供了有希望和具有变革性的工具，推动了数字孪生系统的发展和核工程研究的进一步推进。

该研究提出了一个基于注意力机制的无监督对比学习框架（AMUCL），用于分析癌症多组学数据以识别和表征癌症亚型。DMACL模型用于学习多组学数据特征和聚类，并识别新的癌症亚型。该方法在单细胞和癌症多组学数据集上获得了较好的聚类结果，并揭示了AML的六个癌症亚型。通过GO功能富集分析和GSEA进一步提高了解释能力。