本文提出了一种通过在版权训练数据中嵌入水印的方法，检测大语言模型训练中的数据不当使用。构建了统计检验框架，优化拒绝阈值以控制错误率，验证了其有效性，具有隐私保护和法律合规的重要价值。

本文探讨了机器学习中的对抗性样本检测，提出了统计检验和模型增强方法，强调统计特性的重要性。研究分析了对抗性攻击及防御策略，评估了不同神经网络在工业故障诊断中的脆弱性，并提出结合多种防御方法以提高安全性。

本文提出了一种基于希尔伯特-施密特独立性准则（HSIC）的特征选择框架，旨在统一分类和回归问题。通过后向逐步消除算法，该方法最大化特征与标签之间的相关性，并在多个数据集上验证了其有效性。同时，研究探讨了自我监督学习和非参数统计假设检验，显示出HSIC在依赖性测量和独立性检验中的优势。

本文探讨了通过精心设计的方案提高观察性研究的因果推断准确性，涉及数据缺失和协变量分析等问题，并提出解决方案。研究结合随机对照试验与观察数据，分析治疗效应的估计方法，强调未观察到的混杂因素对因果结论的影响，并提出新的统计检验策略以量化这些因素。

本文介绍了机器学习中的漂移现象及其影响，提出了一种无监督漂移检测方法，采用基于核的统计检验来比较参考和目标分布，并估计任何潜在的漂移。该方法能够识别导致漂移的生产数据子集，并通过重新训练模型来改善在线客户体验质量指标。