本文研究了多种偏好学习算法及其在决策模型中的应用，提出了新的程序和算法以提高偏好聚合的效率和一致性。通过引入可控偏好优化（CPO）和可分性指标，改善了大语言模型（LLM）的逻辑一致性和偏好评估，强调了逻辑一致性在构建可靠系统中的重要性。研究结果表明，改进的算法在处理复杂偏好问题时表现优越。

本研究开发了一种自动化饮食日记记录系统，利用手机相机和计算机视觉技术，通过卷积神经网络识别不同餐馆的食品图像，创建多个食品图像数据集，从而提高饮食评估的准确性。研究表明，基于深度学习的食品识别模型在营养追踪和改善饮食习惯方面具有重要应用潜力。

本文探讨了通用 U-Net 体系结构的设计与分析，提出了多种新方法以提升图像生成与分割性能，包括扩散模型、图形 U-Nets 和 iUNet。这些模型在无监督学习、去噪和生成任务中表现优异，能够加速抽样速度并保持高质量输出。

本文探讨了深度卷积神经网络在高维数据训练中的挑战，提出了“隐藏流形模型”，并分析了神经网络训练中复杂度与性能的关系。研究还提出了一种新型稀疏深层堆叠网络（S-DSN），在图像分类中表现优异，识别准确率达98.8%。

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。