本研究提出了一种无专家在线迁移学习的方法，旨在解决深度强化学习在复杂任务中的探索不足和高数据需求问题。该方法通过利用其他任务或智能体的知识，简化新任务的学习过程，显著减少学习复杂性并缩短收敛时间，具有实际应用潜力。

本研究探讨了混合经典-量子分类器（HCQC）在情感分析中的应用，并与经典CPLEX分类器和Transformer架构进行了比较。尽管HCQC的分类准确性较低，但其收敛时间显著减少。研究还提出了一种新算法，以提升HCQC架构的效率。

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。

本文研究了以余弦基函数为基础的无记忆单变量连续函数逼近方法，通过有监督学习获得逼近系数。该方法简单且具有可控的收敛时间和误差调整，通过仿真实例展示了其性能。