传统认证系统存在安全隐患，风险感知认证（RBA）和自适应多因素认证（Adaptive MFA）通过动态评估风险来提升安全性。RBA根据用户行为、设备和地理位置等信号进行评分，确保高风险操作得到更强的验证。本文探讨了RBA的信号来源、评分模型及实施挑战，强调用户体验与安全的平衡。

本文探讨了多种基于人工智能的运动质量评估（AQA）方法，包括可解释的Rubric-Informed Segmentation模型和不确定性感知评分模型（USDL）。研究表明，这些方法在运动表现评估中优于传统模型，增强了裁判的信任度，并提供了更可靠的评分依据。同时，多任务学习和半监督方法显著提高了评估准确性，推动了AI生成视频中动作质量评估的发展。

本文提出了一种新的生成模型方法，结合了扩散薛定谔桥与基于评分的生成模型，解决了复杂数据生成的局限性，提升了训练效率和模型性能。研究表明该方法在多个数据集上有效，并引入了新的采样算法和反射谢尔宾格算法，增强了生成模型的灵活性和样本质量。

本文提出了一种新型评分模型（TOSM），旨在解决稀视角CT和快速MRI重建中的三维不一致性问题。TOSM通过在二维空间学习数据分布，降低了训练复杂度，并在重建阶段利用互补评分实现更精确的三维重建。实验结果表明，该方法在大规模数据集上取得了显著进展，有效解决了3D重建中的不适定逆问题。