本研究介绍了多种无监督异常检测的创新方法，包括NDP-Net、基于知识蒸馏的检测器和AnomalousPatchCore（APC）系统。这些方法通过优化特征提取和利用正常样本，显著提高了工业异常检测的效率和准确性。同时，研究评估了多个公开数据集的有效性，为相关研究提供了参考。

该文汇总多篇计算机视觉综述，涵盖人脸检测、面部表情识别、特征点定位、红外与口罩人脸识别、视频动作识别及社交媒体人员识别，重点介绍深度级联多任务框架、在线困难样本挖掘和多任务实时面部分析系统，并比较数据集与评估指标，指出未来方向。

该文综述机器学习在物联网入侵检测中的应用，评估CIDDS-001、UNSW-NB15、NSL-KDD等数据集，采用Friedman和Nemenyi检验比较分类器差异。研究涵盖集成学习、CNN、联邦学习、ANN等方法，用于检测DoS、DDoS、后门及注入攻击，部分模型准确率超过99%，并探讨隐私保护与未来挑战。

本文综述因果方法在机器学习公平性中的应用，包括因果干预、条件独立性检测、特征选择与因果发现，以识别偏见特征并提升预测与可解释性。研究提出负责任数据集评估框架，指出多数数据集存在公平、隐私与合规问题，并探讨因果贝叶斯网络与最优输运处理复杂不公平场景。

本文综述了十多年来立体匹配置信度估计方法，涵盖手工设计与基于学习的策略，并在五个标准数据集上评估，首次将先进深度立体网络与置信度技术配对比较。

该文介绍了一种软提示学习的方法，可用于Vision & Language模型，通过最小化软提示与手工工程提示之间的距离来提高模型性能，并能够训练虚拟类。该方法在11个数据集上进行的广泛评估表明，显著优于所有先前的软提示工作，并在大多数测试数据集上匹配和超越手工制作提示和CLIP的新类准确性。