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。

该文章提出了一个理论框架用于分析高维情况下的半监督分类，通过线性分类模型QLDS实现低密度分离假设。QLDS是最小二乘支持向量机、谱聚类和半监督图方法的特殊情况。利用随机矩阵理论推导了分类误差的理论评估，并提供了超参数选择策略。实验研究证明了QLDS在计算效率和超参数选择上的优势。

本文提出了一种理论框架，将任务相似性的复杂形式化与在线凸优化和序列预测算法融合。该方法能够自适应地学习任务相似性，提供更精确的转移风险界限，并在任务环境动态变化或任务共享几何结构的情况下导出高效算法的平均情况后悔界限。通过修改几种流行的元学习算法，改善了它们在少样本学习和联邦学习问题上的性能。

数据组织结构对机器学习算法的有效性有巨大影响，特别是对于二元分类任务。本研究提供了一个理论框架，表明给定数据集上二元分类器的最大潜力主要受到数据固有特性的限制。通过理论推理和实证检验，我们得出两个主要结论：首先，我们展示了在实际数据集上二元分类的性能的理论上界是可以被理论上达到的；这个上界代表了学习损失和评估指标之间的可计算平衡。其次，我们计算了三个常用评估指标的精确上界，揭示了与我们的总体论点的基本一致性：上界与数据集的特征紧密联系，与所使用的分类器无关。此外，我们的后续分析揭示了性能上限与二元分类数据中类别重叠水平之间的详细关系，这对于确定在特征工程中使用的最有效的特征子集至关重要。

该研究论文介绍了一个理论框架，使用新兴的交流机制（EmCom）来增强可解释的人工智能（xAI），提高透明度和可解释性。该框架在医疗保健和其他领域中有潜力实现信任和明智决策。

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。