本文探讨了在资源受限设备上部署复杂机器学习模型的挑战，提出了一种结合本地与服务器模型的混合系统，实验结果表明该方法在多类分类任务中高效且实用。

本研究提出DART方法，解决了现有AIGT检测在黑箱大型语言模型中的低效问题。该方法通过重述、语义解析、评分和多类分类，成功区分多种模型，展现出良好的适用性。

本研究探讨了记忆样本对多类分类中加法公平性指标的影响，明确了偏差的表达，并分析了消除偏差所需的数据集特征，为提升公平性提供理论支持。

本研究提出了一种新方法，旨在提高安全关键应用中先进分类算法的误分类概率估计。该方法与模型和数据分布无关，易于实现，能有效提升多类分类场景下的风险评估准确性和可靠性。

本文探讨了多类分类中的适用性障碍，并提出通过简单适当学习者的聚合来解决这一问题。研究表明，该方法在有限图维度类别中显著降低了样本复杂度，优于经验风险最小化（ERM），并揭示单个ERM学习者的样本需求高于理论下界。

本文介绍了一种使用视觉变换器和自监督学习的方法，能够在多个下游任务上扩展到大规模数据集。通过比较不同自监督预训练任务的学习能力和应对崩溃的方法，提出了一个框架，将掩模图片建模和聚类作为预训练任务，能够在多类分类、多标签分类和语义分割等任务中表现更好。在完整规模的数据集上测试模型时，也展示了性能提升。

本文提出了一种生成表达丰富的反事实干预方法以消除语言模型中的性别偏见和有毒语言，并在多类分类中显示了其有效性和优于强基准的性能。

该文章介绍了一个基于数据驱动的框架，用于无人机协同宽带频谱感知和调度。通过多类分类问题检测空闲频谱位置，并利用强化学习解决方案将探测到的频谱空隙动态分配给无人机。通过仿真框架评估方法，并生成大型频谱数据集。

Quilt是一个针对量子计算机设计的多类分类框架，使用真实的量子机器和预期的噪音水平进行评估，展示了85％的MNIST数据集多类分类准确度。

该论文研究了粒计算中的模糊集通过粒状表示集合的逼近方法，并提出了不相交和相邻粒子的定义。针对二元分类问题，利用新概念分离决策区域并覆盖属性空间。对于多类分类问题，定义了多类粒状逼近，并介绍了高效计算Łukasiewicz模糊联结的多类粒状逼近的方法。