山东理工大学等机构联合开发了PlantLncBoost模型，解决植物lncRNA鉴定的泛化性问题。该模型通过特征优化和算法选择，预测准确率提升至91.7%。研究成果已发表在《New Phytologist》，为植物科学提供了新工具。

本研究提出了一种双个体遗传算法用于优化二元图像分类中的神经网络，通过领导者和跟随者角色进行特征优化，训练准确率达到99.04%，优于传统方法。

本研究提出了一种新方法FedLF，旨在解决传统联邦学习在处理长尾数据时的类别偏差问题。通过自适应Logit调整和特征优化，FedLF有效提升了模型在尾类别上的性能，减轻了数据异构性带来的影响。

特征工程是机器学习和数据分析中的关键过程，通过提取有用特征、清洗数据和优化算法性能来使数据适应机器学习算法。常用技术包括异常值检测、独热编码、对数转换、降维和处理缺失值等。特征工程对于发挥机器学习项目潜力至关重要。

本文提出了一种新颖的无源目标检测方法，结合伪标签和对抗学习技术，通过优化高低置信度阈值提升伪标签质量。实验结果表明，该方法在跨域目标检测中表现优异，超越现有技术，具有广泛应用潜力。

本文提出了一种模型基础的迁移学习方法，将图像质量评估知识应用于视频质量评估。通过混合列表排序损失函数进行训练，实验证明该方法在多个数据库上表现优异。此外，提出的新型盲视频质量评估模型结合了空间和时间特征，优化了视频质量表示，具有较低的计算复杂性和更快的收敛速度。

本文提出了一种基于全局和本地聚类的学习技术（GLC），用于识别已知数据样本并拒绝未知样本。研究表明，该方法在开放部分集领域自适应（DA）中表现优越，提升了性能。此外，广义源自由域自适应（G-SFDA）方法通过局部结构聚类和稀疏域注意力优化特征通道激活，取得了先进的实验结果。

该文提出了一个基于概念的解释性方法的框架，并将其扩展到NLP领域。通过从预训练模型的隐藏层激活中提取具有预测高水平特征（概念），优化具有高影响力的特征的存在，并设立了多种评估指标。实验结果表明，该方法在预测影响、可用性和忠实度方面都取得了卓越的结果。