本研究探讨了机器学习中知识蒸馏的应用，分析了样本量和数据分布对模型风险的影响。结果显示，在有限数据情况下，弱模型训练优于强标签训练，但未改善数据扩展法则。

本研究解决了KAN和MLP在处理不规则或噪声函数时性能差异的问题。研究发现，在某些函数上，MLP的表现优于或与KAN相当，而样本量增加也可提高性能。这项工作为未来神经网络研究提供了有价值的见解。

高功能安全性的高可配置系统常需要测试所有可能配置的代表性子集，以减少测试工作量和节省资源。本文提出了一种名为 ' 多度组合采样 ' 的新方法，它质疑了对所有组合的统一覆盖的必要性，通过优先考虑关键特性子集的更高度值来生成组合采样，从而降低了生成样本所需的时间和样本大小。