本研究提出了一种名为多样性Mixup（diverseMix）的方法，以解决现有出界检测方法在面对未知异常数据时的泛化能力不足的问题。实验结果表明，diverseMix在多个基准测试中表现优异，突显了辅助异常点多样性的重要性。

本研究提出了一种新型压缩优化方法，旨在解决工业应用中的异常和缺失数据问题。通过模型剪枝，实现了99.7%的压缩率，性能损失不足1.18%，展示了联邦学习的潜力。

该研究使用fNIRS监测脑活动并通过深度学习解决数据分类挑战。研究发现fNIRS网络在预测训练数据方面效果显著，但对于排除异常数据表现不佳。研究提出了将度量学习和监督方法融入fNIRS研究的方法，以提高网络的异常数据识别能力。实验结果显示该方法在各种fNIRS网络中明显提升性能，尤其是基于transformer的网络，可靠性得到了巨大改进。