本文提出了一种新型的进化型二次量子模糊神经网络（eT2QFNN）模型，旨在精确建模ATTAS飞机的气动系数。研究表明，eT2QFNN在处理不确定性和数据噪声方面优于传统模型，展现出显著的优化潜力。

本研究提出了一种基于证据深度学习的新模型，旨在克服传统物理知情神经网络在不确定性量化方面的不足，提高对数据噪声的敏感性，并改善边界条件和预测不确定性的覆盖概率。

本研究提出了一种新颖的无监督异常检测算法，通过评估数据噪声有效识别异常，实验结果显示在多个数据集上的AUC得分达到92.27%。

本文讨论了在实际环境中使用检索证据进行事实核查的挑战，并提出了一种基于检索增强生成（RAG）的方案。研究表明，尽管存在数据噪声和模糊问题，GPT-4o模型在该方案中表现出色，显示出进一步研究和数据增强的潜力。

通过比较简单和复杂的数据质量评估方法，发现困惑度方法有效去除数据噪声和提升预训练数据集质量。只使用30%的原始训练数据即可改进基准模型，为自动筛选高质量数据集提供新方法。

该研究比较了不同数据质量评估方法，发现困惑度方法效果最佳。研究提出了一种新方法，只需使用原始训练数据的30%即可改进基准模型。