该论文研究了聚合条件偏好网络（CP-nets）中的偏好近似算法，重点分析了“交换”偏好的聚合。提出了一种2近似算法，并在特定条件下改进为4/3。此外，还提出了多项式时间算法，能够输出优于简单算法的解，并在某些实例中达到最优解。这些结果为CP-net聚合问题提供了有效的近似算法。

研究提出了一种层次模型，用于预测氮氧化物、臭氧和细颗粒物浓度。模型基于空气污染动态和大气科学，使用层次化的GRU，预测效果优异。

本研究提出了一种改进的方法来识别食物图像中的成分，使用定位和滑动窗口技术定位成分的候选区域，并使用基于CNN的分类模型将这些区域分配到成分类别中。通过模型修剪方法提高了分类模型的效率，并通过融合两种算法的决策方案实现了多成分的识别。实验证实了该方法的有效性和改进能力。

我们开发了一种无监督的神经网络架构，通过去噪扩散模型进行训练，同时学习生成和分割图像。实验表明，该模型在多个数据集上实现了准确的无监督图像分割和高质量的合成图像生成。

通过引入数据的稀疏性到生成式分层模型中，研究者展示了学习到的抽象表达和空间变换的不变性之间的强相关性，并解释了卷积神经网络在稀疏随机层次模型中的样本复杂性如何依赖于任务的稀疏性和分层结构。

本文研究了估计多重检验背景下的效应大小分布的问题，并提出了一种简单高效的估计器。该估计器可使用廉价的试验数据，在比识别发现类试验所需采样数量显著少的情况下，估计该分布。该估计器可用于保证未来试验中给定实验设计中将被发现的发现数量，并展示了在Drosophila上进行的流感抑制基因敲除试验数据的有效性。