本研究旨在解决机器学习中缺乏统一理论框架及可解释性和伦理安全保障不足的问题。通过构建形式信息模型，提出机器学习理论的元框架（MLT-MF），并定义模型可解释性和伦理安全，为解决相关挑战提供理论基础。

本研究设计了一系列最小化算法任务，以量化现有语言模型的创造性极限。研究发现，输入层注入噪声比输出层的温度采样更能激发随机性，从而提升模型的多样性和创造性，为分析开放式创造性技能提供了新的理论框架。

本研究探讨了人工智能领域缺乏正式理论的问题，提出因果系统理论框架，强调知识的“为什么”在预测外部干预效果中的重要性。

本研究提出了一个评估软提示可解释性的理论框架，发现现有方法未能满足可解释性标准，并探索了优化训练提示的新方法，揭示了可解释性与任务性能之间的权衡。

本研究提出了一种新的理论框架，利用数学模型p-Conv有效识别自然数同余类，揭示神经网络行为的成功与失败模式，为可解释人工智能提供新视角。

本研究通过建立理论框架，解决了图提示理论基础薄弱的问题，提出了保证定理，证明图提示能近似图变换操作，并推导出数据操作的误差上界，验证了理论结果的实际意义。

本文提出了一个理论框架，统一了多标签、排序回归和图匹配等任务的损失，提升了分类效果。研究分析了一阶优化算法的泛化误差，提出了新的量化方法，适用于多种学习问题。同时，讨论了随机优化中的种群风险，提出了基于随机梯度下降的解决方案，并引入了扰动梯度损失函数，以优化决策感知学习。

本文提出了一种理论框架来分析图神经网络的表达能力和限制，并通过实验验证了理论的发现，取得了最先进的性能。