本研究提出了一种神经框架，解决了学习概率分布间条件最优运输映射的问题，能够处理分类和连续变量。通过超网络生成运输层参数，超越了传统方法，推动了条件最优运输的应用。

本文提出了一种端到端的神经框架，自动生成科学图表的高质量标题，并介绍了SCICAP数据集。研究表明，采用纯文本方法和新型关注机制能有效提高图表标题生成的准确性和效率。开发的ChartThinker方法在图表总结任务中表现优异，推动了数据可视化与自然语言处理的结合。

本研究分析了未观察到的混淆对因果公平性的敏感性，并提出了一个新的神经框架用于学习公平的预测。

该研究提出了一种神经框架，可从在线产品评论中进行意见摘要，只需要轻量级的监督。方法结合了两个弱监督组件，从多个评论中识别显著观点并形成提取式摘要。研究开发了具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进，人类评判员更喜欢该方法的意见摘要。