本文探讨了五种常用的异常值检测方法在葡萄酒数据集上的表现。实验表明，不同方法的结果一致性较差，且对“异常”的定义各异。作者建议在选择检测方法时，明确目标并结合多种方法，以提高检测的可靠性。同时，异常值不一定要删除，应结合领域知识进行判断。

离线多目标优化进展缓慢，主要因缺乏基准。为此，首次提出了离线多目标优化基准，涵盖从合成到真实任务，提供任务、数据集和示例，支持方法比较和进展分析。研究调整现有方法，结果显示优化方法有效，但无明显优胜者，提升仍具挑战。未来挑战和启示也被探讨。代码可在GitHub获取。

我们介绍了一个适用于任何物理环境中的个体树木映射的评价框架，并对不同方法和深度架构进行了回顾和比较。我们引入了一种新的方法，证明它在分割和检测之间是一个很好的折中方案。