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。

本研究提出了一种基于主成分分析的时序流压缩与降维算法（TSBPCA），有效解决了长序列多元数据训练时间长和准确率下降的问题。实验结果显示，该算法在五个真实数据集上的分类精度提高约7.2%，执行时间减少49.5%。

本文提出了一个框架来评估客户隐私泄漏攻击，发现攻击者可以通过分析本地训练参数重构私有数据。研究分析了联邦学习中超参数和攻击算法对攻击效果的影响，并评估了不同梯度压缩比下的攻击有效性，最后提供了一些缓解策略来应对隐私泄漏威胁。

该论文综述了深度强化学习在机器调度问题中的方法和应用，发现DRL方法在计算速度和生成接近全局最优解方面表现优于其他方法。然而，DRL方法面临着处理复杂操作约束、多目标优化、泛化性、可扩展性、解释性和鲁棒性等限制。解决这些挑战将是未来研究的重点。该论文为研究人员提供了评估当前DRL机器调度领域现状和发现研究空白的资源，也帮助专家和从业者选择适合生产调度的DRL方法。

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。

通过弱对比学习，提出了一种名为批次实例判别和特征聚类（BIDFC）的新型框架，用于合成孔径雷达（SAR）自动目标识别（ATR）技术中的高准确率目标识别。实验结果表明，仅使用3.13%的训练数据进行微调的方法实现了91.25%的分类准确度。验证了BIDFC在OpenSarShip数据库中的有效性，可推广到其他数据集。

研究提出了一种新的方法scTree，用于单细胞RNA测序数据的层次聚类。该方法通过基于VAE的纠正批次效应和学习树状数据表示，发现数据的潜在聚类和层次关系。实证研究表明，scTree在七个数据集上表现优于基准方法，并分析了学习得到的层次结构的生物相关性。

本研究提出了一种基于贝叶斯优化的 PAC-MOO 方法来解决约束多目标优化问题。该方法学习输出目标和约束的代理模型，并选择评估最佳受约束 Pareto 前沿的信息且同时考虑目标偏好的候选输入。实验结果表明 PAC-MOO 比现有方法更有效。

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...

本研究探讨了使用两层神经网络学习多指标目标函数时的训练动态。研究发现多次梯度下降（GD）使用多次批次能够改变对可学习功能的结论。多次GD能够克服目标函数的限制，与目标子空间重叠。实验证明了在有限时间内有效学习的函数类。研究还提供了权重低维投影的动态过程的闭合形式描述。

本文介绍了AdaBound和AMSBound两种新型变体算法，通过动态学习率边界实现自适应方法与SGD方法之间的平稳过渡，并在各种任务和模型上进行了实验，结果表明这两种方法可以消除自适应方法与SGD之间的差距，同时在训练初期保持更高的学习速度和取得显著的改进表现。

该文章提出了一种用于自监督对比学习的方法，包括识别和消除 false negative、对抗策略以及严格评估。该方法在 ImageNet 数据集上取得了一定成果，无标签数据集下可以以40%的精度正确识别 false negative，并在有1%标签数据下达到了5.8%的top-1准确率的绝对改进。

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。