本研究探讨了目标顺序性对深度回归特征表示性能的影响，提出了基于最优传输的正则化方法和回归目标复制策略，以降低条件熵并提升回归效果。实验结果验证了这些策略的有效性。

本研究提出了一种新颖的多视角聚类框架CE-MVC，旨在解决现有方法在视角一致性和互补性量化方面的不足。该框架通过自适应加权和参数解耦深度模型，利用条件熵和归一化互信息，显著提升了聚类性能，尤其在噪声影响下表现出更好的鲁棒性和准确性。

本文介绍了一种基于条件熵的多视图学习方法，能够检测视图不一致并过滤样本，从而提高性能。提出的可信多视角分类算法通过动态集成不同视图的证据，增强分类的可靠性。此外，研究探讨了多视角模型在准确性和不确定性估计方面的优势，并提出了一种新的无监督多视图学习方法，以提升对噪声数据的鲁棒性。

本文提出了一种在再生核希尔伯特空间中非参数获取熵测度的方法，定义了类似量子熵的熵泛函，并进行了条件熵和互信息的估计。同时，研究了非均质固体应力波传播的均质化模型，提出了基于核的非参数学习算法，利用离散时间观测识别随机微分方程的系数，展示了该方法在准确性和鲁棒性方面的优势。

本文介绍了一种基于条件熵的多视图学习方法，能够检测视图不一致并过滤样本，从而提高性能。研究提出了DUA-Nets等新算法，增强了对噪声数据的鲁棒性，改进了分类可靠性，并在假新闻检测中应用了标签噪声鲁棒的平均教学方法。这些方法提升了深度学习模型在噪声标签下的表现。