本研究提出了一种通过减少特征相关性来提高GNN力场模型稳定性的方法，旨在增强分子动力学模拟的稳定性。研究表明，特征相关性与模型稳定性负相关，并设计了动态损失系数调度器，显著提升了模型在分布外数据中的稳定性，计算开销保持在3%以下。

本文探讨了Shapley值在机器学习模型可解释性中的应用，提出了Baseline Shapley、FastSHAP和Leverage SHAP等高效计算方法，解决了特征相关性和计算成本问题，显著提高了解释的精度和效率。

本文介绍了一种多模态令牌融合方法（TokenFusion），旨在提升基于Transformer的视觉任务性能。该方法通过学习多模态特征相关性，优化了人体活动识别和脑肿瘤分割等任务的效果。此外，CSTNet和MuSE模型在RGB-T跟踪和多模态情感分析中表现优异，展示了多模态融合的潜力。

变量重要性在可解释机器学习中起关键作用。研究评估了解决变量重要性评估中特征相关性问题的方法，发现处理高特征相关性时存在困难和方法的实用性和局限性。

该研究提出了一种用于诊断帕金森病步态的混合ConvNet-Transformer架构，准确诊断帕金森病。实验结果表明，该方法对于不同阶段的帕金森病是有效的，最终准确率达到了88%。该方法可以推广和适应其他分类问题，在处理一维信号中的特征相关性和时空依赖性问题上具有潜力。