该研究提出了一种结合自组织映射（SOM）与视觉变换器（ViTs）的方法，以解决ViTs在小型数据集上的表现问题。研究表明，这种结合显著提升了无监督和有监督任务的性能，具有重要的实际应用潜力。

本文研究了在有监督学习环境下使用梯度下降法训练的递归神经网络在动态系统中的表现，证明了梯度下降法可以实现最优性。通过非渐近分析，给出了网络大小和迭代复杂性的界限，并显示了长期依赖对网络宽度的影响。结果表明，适当初始化的递归神经网络可以在低次对数尺度下实现最优性。这些结果基于对动态系统类的明确描述，并通过约束范数的传输映射和隐藏状态的局部平滑性属性来实现。

本文提出了一种处理回归算法中连续敏感属性的公平经验风险最小化方法，并将其泛化到整个有监督学习情境中。同时，构建了一种针对内核方法的共性公平估计方法，实现了精度和公平要求的有效平衡。

量子计算的进展使其成为解决复杂计算问题的潜在解决方案。本文从经典视角提供关于当前用于有监督学习的量子算法的观点，深化了对经典和量子方法之间的融合的理解，为未来的发展奠定了基础。

这篇文章介绍了一个以有监督学习为基础的合成孔径雷达图像 SAR 彩色化研究线路，包括生成合成彩色 SAR 图像的协议、几个基线模型以及基于条件生成对抗网络 (cGAN) 的 SAR 彩色化有效方法。文章还提出了问题的数值评估指标，并表示这是首次尝试提出一个包括协议、基准测试和完整性能评估的 SAR 彩色化研究线路。广泛的测试表明，基于 cGAN 的网络在 SAR 彩色化方面具有有效性。代码将公开发布。

本研究提出了一种简单且可解释的目标函数来计算场景流，适用于有监督学习、自监督学习和运行时优化，优于先前相关工作，适用于动态环境下的运动分割和点云密集化等应用。

该研究使用图神经网络的有监督学习方法解决社区检测问题，比信念传播算法表现更好。同时，对线性GNN进行社区检测问题训练的优化梯度进行了分析。

本文提出了一种处理回归算法中连续敏感属性的公平经验风险最小化方法，并泛化到整个有监督学习情境。同时，构建了一种针对内核方法的共性公平估计方法，实现了精度和公平要求的有效平衡。

该研究使用有监督学习方法，识别出特定领域的模型特征子集，并解释保留特征的语义。研究发现人类如何根据性别包容性和国际性来区分运动类别，以及不同领域中特征对不同语义维度的预测能力。该研究讨论了人工智能系统与人类知识之间的对齐意义。

本文研究了以余弦基函数为基础的无记忆单变量连续函数逼近方法，通过有监督学习获得逼近系数。该方法简单且具有可控的收敛时间和误差调整，通过仿真实例展示了其性能。

本文介绍了如何将风控场景中的数据建模为图结构，并使用图计算进行风险识别。通过将不同的信息作为节点和边，可以形成一个覆盖范围广泛的异构图，并使用不同的图模型进行有监督或无监督学习。