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RobustFT框架，旨在解决大型语言模型在实际应用中的数据噪声问题。通过多专家协作系统进行噪声检测，并采用上下文增强策略去噪，实验结果表明该框架在噪声环境下表现优异。

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%。

本文研究了Rashomon集合，提出了高效的枚举和查询技术，并探讨其在可解释机器学习中的应用。研究表明，数据噪声和样本量显著影响模型解释的一致性，并提出了新的度量方法来评估预测多样性，从而帮助科学家和实践者更好地理解模型表现和选择。

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。