MES系统中的批次（LOT）是生产和质量管理的基本单位，通过批次号可追溯原材料和成品。物料清单（BOM）指导生产工单的生成，二者在数据库中存在关联关系。

空间转录组学技术STAIG利用深度学习整合基因表达与组织图像，克服传统方法局限，有效识别空间区域，揭示肿瘤微环境细节，推动生物系统理解。

本研究解决了医学图像分割中有效选择训练子集的问题，尤其是在最小监督设置下，随机选择训练集可能导致模型性能不佳。我们提出了一种新的基于原型对比学习和聚类的样本选择方法，并引入无监督平衡批次数据加载，以提高模型在最少标注数据下的学习效果。在ISIC 2018公开皮肤病变数据集上的评估结果显示，我们的方法在低标注预算情境下表现优异。

本文探讨了联邦学习中的客户隐私泄漏攻击，提出了评估框架和缓解策略。研究发现，攻击者可以通过分析共享参数重构私有数据，并评估了不同超参数和攻击算法对攻击效果的影响。实验结果表明，适当组合现有防御机制能够有效抵御攻击，强调了重新设计隐私保护机制的重要性。

本研究探讨了深度强化学习(DRL)在作业车间调度中的应用，提出了多种改进框架和方法，显示出相较于传统算法的优越性。研究涵盖动态调度、模因算法和图神经网络等技术，强调了DRL在复杂调度问题中的潜力与挑战，为未来研究提供了重要参考。

本研究针对在线强化学习中探索与开发的权衡问题，提出了一种简单且新颖的批次集成方案，该方案在随机多臂赌博机中能够证明实现接近最优的悔恨。该算法只需一个参数——批次数，且其值不依赖于损失的分布特性如规模和方差。实验结果进一步验证了该算法的有效性。

该研究提出了一种对比特征对齐（CFA）解决方案，通过联合分类损失和通道加权平均平方误差训练模型，以提高目标识别的稳健性。实验表明，在MSTAR数据集上，利用少量标注样本和未标注样本的半监督框架有效提升了识别性能。此外，结合对抗训练和自监督学习的方法在多种数据集上取得了最佳性能，增强了模型的鲁棒性。

本文介绍了多种新型聚类模型及其在单细胞RNA测序数据分析中的应用，包括Tree Variational Autoencoder (TreeVAE)、scHyena、scCDCG和Cluster-aware Iterative Contrastive Learning (CICL)。这些模型通过利用层次结构和高阶信息，显著提高了聚类准确性和生成性能。

本文介绍了多种贝叶斯优化方法，旨在解决多目标优化问题，包括混合变量优化、约束条件下的优化以及处理输入噪声的情况。这些方法在不同应用场景中表现出色，能够有效找到最优解并提供灵活的决策支持。

本文介绍了在Windows 10/11中打开显示器设置的方法，包括使用批处理脚本和URI打开特定页面，以及创建快捷方式。这个技巧适用于个人和工作中的自动化脚本。

本研究通过重新构建动态连接预测作为链接预测任务，更好地考虑了数据中的时间信息，解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。

现代机器学习模型对大型数据集的卓越成功往往需要大量的训练时间和资源消耗，为了节省成本，一种被广泛研究的方法是在线批次选择，在训练过程中选择信息量较大的子集。然而，现有的方法依赖于额外的参考模型，限制了它们的实际应用，因为这样理想的模型并不总是可用。为了解决这一困境，我们提出了一种无需参考模型的多样化批次选择算法（DivBS），可以有效地选择多样化和代表性的样本。我们定义了一种新的选择目标，以...

本文研究了浅层神经网络训练中批量大小对特征学习和收敛时间的影响。分析表明，增加批量大小并不总能提高训练效率，而小批量训练则提供了更稳定的结果。此外，研究探讨了不同批量大小对测试性能的影响，并提出了一种新型自适应批量大小框架。

本文提出了一种动态批次大小自适应方法，通过估计随机梯度方差来调整批次大小，消除了对学习速率降低的需求。该算法优化了收敛速度并简化了学习速率调整，实验表明自适应批次大小显著提高了深度学习模型的性能和稳定性。

本文介绍了一种基于对比学习的自我监督学习方法，强调通过动态检测和消除错误负样本来提升分类性能。研究表明，该方法在多个基准测试中优于现有技术，并在大规模数据集上有效提高自监督学习效果。

本文研究了给定N个独立观测块的随机变量X和Y的联合概率的估计问题。通过极大似然推断的函数形式和可计算的逼近方法，我们能够从经验逼近中恢复真实的概率密度。通过熵最优输运核，我们建模了一类假设空间，可以近似推断数据中的转移算子。通过修改EMML算法以考虑额外的转移概率约束，解决了离散最小化问题，并证明了算法的收敛性。概念验证示例展示了方法的潜力。

大语言模型的准确性受到任务概率的影响，低概率情况下使用需谨慎。大语言模型应被视为一类独特系统，而非人类。

本文研究了使用大型语言模型（LLMs）评估文本质量的方法，发现自动思维链（CoT）并不总是与人类评分一致。强制LLMs仅输出数字评分也不理想。要求LLMs解释其自身评分可以改善与人类评分的相关性。这项研究对最新技术的相关性有推动作用。