本研究提出了一种基于深度学习的压缩算法BCAE-VS，旨在满足高能粒子对撞机的稀疏数据压缩需求。该算法通过稀疏卷积实现关键点识别，重构准确度提高了75%，压缩比提升了10%，显著提升了数据处理效率。

本研究提出了一种图注意卷积网络（GACN），旨在解决在时间变化几何条件下从稀疏数据重构流场的难题。实验结果表明，该模型在大流场重构任务中表现优异，重构误差低，能够更好地捕捉细微湍流。

本文介绍了一种新型跨模态卷积神经网络（X-CNNs），通过优化网络拓扑和信息流，提升了在稀疏数据环境中的表现。研究探讨了深度估计、语义分割及模型压缩等技术，提出多种改进方法，显著提高了卷积神经网络的效率和准确性。

本文提出了一系列时空数据建模和预测框架，重点处理稀疏数据。通过结合自激励点过程和图结构循环神经网络，提升了实时预测的准确性，尤其在犯罪和交通预测方面表现优异。新模型TGCRN和SAGDFN在真实数据集上取得了领先的预测效果，展现了在复杂时空相关性建模中的优势。

本文介绍了一种新颖的异常检测方法，通过稀疏正常数据训练模型，提升工业质量检验中的异常检测能力。研究提出了ToCoAD两阶段训练策略和基于扩散模型的DiAD框架，显著提高了多类异常的检测性能。实验结果表明，该方法在多个数据集上表现优异，为工业异常检测提供了新的研究基础。

本文介绍了多种机器学习和可解释人工智能（XAI）方法，包括LIMASE和NGBoost模型，旨在提高模型的可解释性和准确性。研究表明，SHAP方法能够有效解释模型输出，揭示关键特征对预测结果的影响。此外，结合物理原理的深度学习方法增强了模型在稀疏数据下的训练能力。这些研究为理解复杂数据提供了新的视角和方法。

本文探讨了基于图卷积网络的协同过滤方法，提出了JGCF、GF-CF和MCCF等新模型和算法，显著提升了推荐系统在稀疏数据和冷启动用户方面的性能。实验结果表明，这些方法在多个数据集上均取得了显著的性能提升。

本文探讨了脉冲神经网络（SNN）在基于事件的目标检测中的应用，展示了其在处理稀疏数据时的优势。SNN在Gen1基准数据集上取得了47.7%的平均精度，显著超越传统人工神经网络（ANN）。该模型结构简洁，计算成本低，适用于高速平台如车辆和无人机。

贝叶斯回归是一种结合了传统回归分析和贝叶斯概率论的统计建模技术，适用于处理稀疏或嘈杂数据。它考虑了模型定义特征的先验知识或假设，并提供了概率建模框架来考虑参数不确定性。贝叶斯回归的优点包括整合先前信息、正则化和处理小型数据集。然而，计算复杂性、先验分布选择、可解释性和模型比较仍然是挑战。关键思想包括贝叶斯原理、最大似然估计和最大后验估计。

该文介绍了一种新的预训练任务——自适应自监督排序（AdaptSSR），通过数据增强技术来解决用户建模中的稀疏数据问题。该方法通过训练用户模型捕捉隐式和显式数据增强视图的相似性顺序，以及其他用户的视图顺序，进而改进了现有的用户建模方法，并在公共和工业数据集上的六个下游任务上进行了广泛实验证明了其有效性。