本研究提出了一种新型主动学习方法，利用等角超球面点作为类别原型，解决了传统方法中的采样偏差问题。通过最大分离主动学习（MSAL）及其结合策略（MSAL-D），该方法在五个基准数据集上超越了现有技术，同时保持样本多样性，消除了高成本的聚类步骤。

本研究提出了一种新的数据增强方法——混淆配对混合（CP-Mix），旨在解决长尾图像识别中的样本不足问题。CP-Mix通过实时增强样本，提高了少数类别的样本多样性，有效减少了分类器的误判，超越了现有方法。

YOCO是一种数据增强方法，通过将图像分为两部分进行增强，提升样本多样性，促进神经网络的对象识别。该方法易于使用，无需调参，显著提高多种增强项的性能，适用于CIFAR和ImageNet数据集，并在对比学习中表现优异。

领域泛化通过提高模型鲁棒性来开发具有分布偏移上稳定性的模型。我们提出了一种名为XDomainMix的跨域特征增强方法，通过增加样本多样性和学习不变表示来实现领域泛化。实验证明我们的方法能够实现最先进的性能。

我们提出了一种新颖的通道修剪方法，通过评估通道对潜在向量扰动的敏感性，增强了压缩模型中样本的多样性。该方法在各种数据集中显著提升了样本的多样性，并且在 FID 得分方面超过了最先进的方法，且只需一半的训练迭代次数。

本文提出了一种新的评估单次生成模型的框架，通过对样本可识别性和样本多样性进行评估，分析了代表性单次生成模型在Omniglot手写数据集上的表现。研究发现GAN型和VAE型模型的多样性和可识别性互补，空间注意和上下文整合对多样性和可识别性有线性贡献，解缠效应能最大化可识别性。评估结果可推动人工智能技术发展。

本文研究了利用多个标注者的变异性作为“地面真相”的不确定性来源，并结合概率U-Net进行测试。结果表明，该方法能够提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。