本研究提出了一种利用简单神经网络识别格点统计力学模型对偶性的方法，成功发现二维伊辛模型的克拉梅尔-瓦尼尔对偶性，并探讨了新的对偶性方向。

本文介绍了一种半监督医学图像分割方法，结合深度学习和正则化技术，提出了DS-TransUNet和MC-Net+等框架，利用未标记数据和创新网络结构显著提升分割效果。实验结果在多个医学数据集上验证了这些方法的有效性，展示了半监督学习在医学图像分割中的应用潜力。

通过对比 Adversarial Training (AT) 和 Sharpness-Aware Minimization (SAM) 的对偶关系，本研究发现单独使用 SAM 可以提高对抗性稳健性，同时不牺牲准确性，这为将 SAM 作为准确性较高的替代方案提供了新的可能性。

本文综述市场做市建模与优化研究，涵盖最优策略存在性、多资产闭式近似、贝叶斯与无模型算法、UBET AMM、深度学习增强AMM、限价订单簿模拟与强化学习代理、去中心化体育博彩定价、随机控制及CNN注意力机制。实验表明，强化学习框架IMM在多项金融指标上优于现有策略。

该论文提出了一种新的方法，利用Schr"odinger桥问题和熵惩罚的最优输运之间的等价性来探究二者间的对偶性。该方法适用于多个数据边缘的情况，并证明了Sinkhorn算法的新的收敛性质。