本研究提出了一种新计算框架，将递归神经网络与人类反应时间对齐，以更好地模拟人类行为选择。该框架优化了决策模型，实现了速度与准确性的平衡，显著提升了对人类反应时间数据的拟合效果。

本文介绍了LLM-SR，一种利用大型语言模型（LLMs）发现科学方程的新方法。该方法结合科学先验和进化搜索，优化方程框架以提高数据拟合度。研究表明，LLM-SR在多个科学领域表现优越，发现的方程优于现有基准。同时，研究探讨了LLMs在数学推导中的能力及其局限性，强调模型训练对数学能力的提升作用。

预训练和微调对于数据拟合不佳的模型有帮助，但对于拟合较好的模型则没有效果。预训练只能加速收敛，不能改善泛化能力。增加更多的预训练数据可以增强预训练的优势，但模型结构的作用更重要。

本文介绍了混合耦合隐马尔可夫模型（M-CHMM）用于分析医疗时间序列数据。通过粒子滤波和分解近似的采样器算法，该模型能够解决不规则采样、噪声和缺失值等数据挑战。实验证明，M-CHMM能够改善数据拟合、处理缺失和噪声测量，提高预测准确性，并能够识别数据中的可解释子集。