本文提出了多种提高人工神经网络（ANN）鲁棒性的方法，包括鲁棒性优化、对抗主动学习算法和基于状态重标记的模型。这些方法有效增强了网络对抗攻击的抵抗力，提高了准确性，并改善了模型在不同实验条件下的表现。

STRODE是一种能够学习时间序列数据的时间和动态的概率微分方程，无需时间注释。该方法成功地推断了时间序列数据的事件时间，并在实验中表现出与现有技术相当或更好的性能。

该文介绍了一种基于循环的算法，用于解决自动引导车辆（AGV）的在线冲突自由调度和路径规划问题。该算法在实验中表现优异，要么优于其他算法，要么在更短的计算时间内得到同样好的解。

本文提出了一种无监督内在图像分解框架，通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，直接从无监督和不相关的数据中学习反射和阴影的潜在特征。实验表明，该方法在合成和实际图像数据集上表现卓越。