本文研究了如何通过显著性提高卷积神经网络在少量训练数据下的分类准确性。实验表明，添加显著性分支显著提升了网络性能，尤其在数据有限的情况下。研究还探讨了不同显著性模型的表现，并提出了新的神经网络结构和改进的空间相关性方法，展示了在公共基准测试中的优越性。

本文介绍了一种基于机器学习的未知动态系统模型的设计问题和神经网络结构。该神经网络结构可以生成具有分段仿射动力学的混合系统模型，并具有可微性。研究表明，该方法在最优控制设计和混合系统的系统识别方面具有类似的性能，并在非线性基准测试中具有竞争力。

本文提出了更准确的分类器标定度量标准，并对常用的神经网络结构和标定技术进行了实证评估。发现常用的标定技术在不同可靠性定义的标定误差上并未有统一的改善。

本文提出了更准确反映标定误差的度量标准，并基于期望标定误差的推广，提出了几种不同的度量标准。作者对常用的神经网络结构和标定技术进行了实证评估，发现许多常用的标定技术在不同可靠性定义的标定误差上并未有统一的改善。