研究使用机器学习分类器对住院患者的暗场显微镜下的微循环视频进行非感染和感染图像的区分，准确度达到89.45％。分类器具有诊断应用价值。同时，使用无监督的卷积自编码器将学习到的特征从压缩的表征中聚类，可用于识别健康的微循环图像与有微循环功能障碍的图像。

该文介绍了一种新的方法，用于增强算法公正性。通过利用对于敏感属性而言身份不确定的实例来训练机器学习分类器，可以提高现实世界分类任务中的公正性保证。

评估了4种生物标志物选择方法和4种机器学习分类器，发现现代方法在性能上优于逻辑回归。在特异性固定为0.9的情况下，机器学习方法的灵敏度为0.240（3个生物标志物）和0.520（10个生物标志物），逻辑回归的灵敏度为0.000（3个生物标志物）和0.040（10个生物标志物）。在允许较少生物标志物时，基于因果关系的方法表现最好，而在允许更多生物标志物时，单变量特征选择方法表现最好。

该论文提出了一种利用NLP、AutoML和Clinician-in-the-Loop技术构建机器学习分类器的可扩展工作流程，用于评估EHR文本记录中的患者。研究发现该工作流程在识别多种疾病方面表现出更高的分类性能，并能发现未编码患者。

本研究使用低收入和低中等收入家庭的数据集，采用多项式逻辑模型和机器学习分类器，解释了决策行为。研究结果表明，随机森林模型具有最佳准确性，旅行成本增加会降低公交出行概率，旅行时间减少会增加对地铁的偏好。这项研究扩展了机器学习技术在模式选择分析中的应用。

本研究使用行为生物特征进行身份验证研究，提供了一个包含15名用户手势数据的创新数据集。通过机器学习分类器，发现支持向量分类器是最强大的模型，准确率约为90%。然而，还需要进一步研究使其成为身份验证系统的可行选择。

本文研究了多分类情况下实现公平性的问题，并扩展了基于后处理方法的方法，以实现机器学习分类器的公平性。实验发现，该方法在数据集中个体数量较高时，精度下降微不足道，且能强制实施公平。

本文研究了无训练数据情况下，通过重用和调整同一领域或相关领域数据集的训练数据，训练机器学习分类器的可行性，并提出了五种算法。实验结果显示，该算法在不同领域的数据集上具有显著优势。