本文研究了Centered Kernel Alignment（CKA）算法在机器学习中的敏感性及其弱点，指出CKA值易被操控而不需实质性改变模型。提出了一种基于规范相关分析的相似度指数，以增强表示比较的可靠性。同时，探讨了深度网络中激活模式的相似性度量及其对模型性能的影响，强调了评估指标的缺陷，为未来研究提供了基础数据。

本文介绍了一种面向少教师推理的知识蒸馏方法（FTI KD），通过比较式知识蒸馏（CKD）来减少对教师模型推理的依赖。实验证明，CKD优于最先进的数据增强和知识蒸馏技术。

使用量子核对分类问题进行量子机器学习是一个正在快速发展的研究领域。我们提出了一种新的子采样训练方法，通过在每个训练步骤中使用核矩阵的子集，从而降低了训练的整体计算成本，并展示了在维持分类准确性的同时大幅减少了训练量子核所需电路数量的能力。