机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化了数据爬取流程。

本研究解决了电动车充电基础设施布局优化的问题，通过分析新南威尔士州的电动车行驶数据，开发了一个数据驱动的系统。该系统融合了多种数据源，提供了合理的充电需求估算及充电站推荐，促进了未来充电站位置的科学规划。

本研究针对个性化面部表情识别中的样本适应问题，提出了一种渐进式多源领域适应方法以缓解源领域与目标领域之间的分布差异。该方法通过优先利用与目标对象最相似的源样本，从而减少计算成本与负迁移的风险。实验结果证明了该方法在疼痛数据集上的有效性，具有重要的应用潜力。

本研究探讨了多源输入策略对机器翻译质量的影响，发现通过中介语言翻译可以显著提高英中翻葡萄牙语的质量，尤其在特定领域和语言距离较大时。选择合适的情境语言能有效改善翻译效果。

本研究提出了一种理论框架，解决多源迁移学习中的数据稀缺问题，优化样本需求。开发的OTQMS算法在准确性和数据效率上显著优于现有方法。

本研究提出了多源动态扩展模型（MSDEM），旨在解决持续学习中的单一数据域问题。该模型通过动态注意力机制和图权重路由策略，提升了增量学习的速度和性能，取得了显著成果。

本研究分析了25篇关于森林碳量的论文，识别出28种机器学习方法。随机森林在88%的研究中应用频繁，极端梯度提升在75%的比较中表现优异，并提出了提高森林碳储量准确性和可扩展性的最佳实践。

本研究分析了多语言信息提取的局限性，探讨了语言距离及其度量，并优化了零样本多语言设置中的数据选择，为多语言信息提取系统奠定基础。

本研究针对多源无监督领域适应中的源域选择复杂性问题，提出了渐进微调框架和三种轻量级图路由策略，从而提高了自然语言推断和情感分析任务的准确率。

本研究解决了现有会议摘要在提取重要信息和理解上下文方面的不足，提出了一种三阶段的大型语言模型方法，通过识别需要额外上下文的发言、从补充材料中推断相关细节并将其融入记录中，生成更为精准的摘要。研究表明，该方法提高了摘要的相关性约9%，个性化摘要的实用性提升约10%，对类似的复杂生成任务具有潜在的应用价值。

本文研究了多源异构数据集下学习非正态图模型的稀疏结构变化。提出了一种优化拉索惩罚的D-迹损失函数方法，提高了解路径的速度和精度，特别适用于稀疏差异网络。在肿瘤药物抗性研究中，该方法有效识别重要基因，具有实际应用潜力。

本文介绍了一种无监督的多变量时间序列框架，通过形状表示学习和对比学习捕捉特征。采用多粒度对比和多尺度对齐目标，并利用数据增强提升泛化性能。实验结果表明，该方法优于现有技术和专用方案。

本文介绍了一种可解释的深度学习方法用于电力负荷预测。通过神经网络学习时间特征的线性组合，并使用多尺度时序分解处理复杂时间模式。在比利时电网数据集上的实验表明，该模型比传统模型更准确，并能解释特征和时间模式的重要性，揭示负荷数据的趋势和周期性。

本研究针对乳腺癌诊断领域中注释获取困难和训练集与真实场景之间显著分布差异的问题，提出了BTMuda框架。该框架通过构建三分支混合特征提取器及双层多源无监督领域适应方法，从两个层面解决领域偏移问题，并通过大量实验表明其在三个公共乳腺摄影数据集上超越了现有的最先进方法。

本文研究了无源无监督域自适应问题，提出了一种名为360SFUDA++的方法，通过针孔图像模型和未标记的全景图像进行知识转移和对齐，实验结果表明该方法表现更好。

本研究解决了医学领域隐私数据保护对数据共享的挑战，影响了医院间高精度辅助诊断模型的集成训练。提出了一种基于数据向量的医学隐私数据训练框架，使各医院能够在不交换私密数据的情况下，通过对预训练模型进行微调和数据向量计算，生成合成权重，从而显著提升模型性能。实验结果证明，该方法能够有效利用分散的私密数据资源，同时保护患者隐私。

我们提出了一种基于提示学习框架的方法，利用多源异构外部知识实现知识增强模型前向推理，取得了最新的法律罪名预测数据集的最新结果，并具有较低的数据依赖性。案例研究展示了方法的强解释性。

基于最优传输的空时蒙特对齐 (STMA) 方法用于减轻硬件设备或会话录制等不同可变性的机器学习应用中的领域适应问题，实现了将多变量信号的交叉功率谱密度映射到源域的 Wasserstein 重心 (多源 DA)，可以通过滤波对新领域进行预测，无需对源数据进行重新训练 (测试时间 DA)，并展开了该方法的两种特殊情况、映射估计的非渐近浓度界限以及理论保证，实验结果表明 STMA...