本文提出了一种新的快速解耦精简张量学习（DSTL）方法，旨在解决现有张量基础多视图聚类在处理大规模数据时的局限性。该方法通过探索多视图潜在语义表示之间的高阶相关性，减少特征冗余，显著提升聚类效果和计算效率。

本文提出了一种名为AlterMOMA的新剪枝框架，旨在解决相机-LiDAR融合模型中的特征冗余问题。该方法通过替代模态屏蔽识别冗余参数，并利用重要性评估函数AlterEva，显著提升了自动驾驶领域的感知能力。

本文探讨了通过去相关反向传播算法提高深度神经网络训练效率和测试准确率的方法，提出了DeCorr和DeCov框架，以减少特征冗余和过拟合，增强模型的泛化能力。实验结果表明，这些方法有效改善了神经网络的表现。