本研究解决了光度红移估计过程中不同仪器数据融合的问题。Mantis Shrimp模型通过使用超紫外、光学和红外图像进行深度学习，成功实现了光度红移的条件密度估计，展示了其在不同数据源中良好的校准性与准确性。研究表明，早期融合与后期融合的方法性能相当，为用户提供了灵活的设计选择。

本研究提出了一种新模型，结合光度和光谱数据，利用迁移学习方法，克服了传统机器学习在红移预测中的局限性，有效降低了偏差和均方根误差。

本研究提出了一种新方法，将去噪扩散概率模型与红移结合，生成逼真的星系图像，编码星系演化中的物理属性变化，深化了对宇宙现象的理解。

本研究解决了在没有光谱测量的情况下，星系光度红移概率密度的误标定问题。提出的CLAP方法结合了监督对比学习和K近邻算法，通过新颖的校准过程显著提升了概率密度估计的准确性和计算效率。这一方法为天文学和宇宙学应用提供了更可靠的光度红移概率密度估计。

通过证明，研究发现神经网络插值器具有很好的泛化能力，这是由于神经网络结构中的冗余性引起的。这种先验使得神经网络对于更简单的函数具有偏好，可以用较少的参数实现与教师相当数量的参数相关的学习。