该研究解决了传统机器学习分类器在实际应用中过于自信且不可靠的问题。通过结合符合学习与区间型2模糊集，提出了一种新方法，能够提高分类系统的预测可靠性和输出质量。研究结果表明，该方法相比于常用的贝叶斯方法和模糊规则，显著提升了预测质量及自适应调整能力，对实际应用具有重要影响。

使用分布稳健优化（DRO）问题中的谱风险不确定性集和$f$-散度惩罚，构建了一个包括常见风险敏感学习目标的模型。提出了Prospect算法，只需调整一个学习率超参数，对平滑正则化损失具有线性收敛性。在实证上，展示了Prospect算法在分布偏移和公平性基准上的收敛速度比随机梯度和随机鞍点方法快2-3倍。

我们提出了一种新颖的 $Q$-learning 算法，用于解决分布鲁棒性马尔可夫决策问题，其中概率测度的不确定性集可以任意选择，只要它仅包含有限数量的测度。因此，我们的方法超越了关于以球为基准测度的不确定性集的研究案例，距离基准测度的距离可以根据 Wasserstein 距离或 Kullback-Leibler...

该论文研究了粒计算中的模糊集通过粒状表示集合的逼近方法，并提出了不相交和相邻粒子的定义。针对二元分类问题，利用新概念分离决策区域并覆盖属性空间。对于多类分类问题，定义了多类粒状逼近，并介绍了高效计算Łukasiewicz模糊联结的多类粒状逼近的方法。