本文研究了大规模数据分析模型中使用的量化方法及其超参数选择。通过统计物理学中的典型案例分析，发现量化宽度对模型的影响，量化有助于减轻过拟合问题。非均匀量化可以增强稳定性。

本文提出了一种新的基于频域训练的元素逐位乘法层（EML），用于替代卷积层，并引入了权重固定机制以缓解过拟合问题。实验证明，TFDMNet 在 MNIST、CIFAR-10 和 ImageNet 数据库上具有更好的性能并且操作数更少。

本文研究了深度强化学习策略中的过拟合问题，并提出了解决方法以增加泛化能力和克服过拟合。研究有助于改进鲁棒深度神经策略。

本文介绍了一种名为稳定蒸馏的方法，用于持续预训练和提升目标领域自动语音识别（ASR）性能。该方法通过自蒸馏作为正则化方式，减轻了持续预训练中的过拟合问题。实验结果表明，稳定蒸馏在不同实验设置中胜过了所有基线方法，WER 提高了0.8-7个百分点。

本文介绍了稳定蒸馏方法，用于提升自动语音识别在目标领域的性能。该方法通过自蒸馏作为持续预训练的正则化方式，减轻了源领域与目标领域不同时的过拟合问题。实验结果表明，稳定蒸馏方法在不同实验设置中胜过了所有基线方法，WER 提高了0.8-7个百分点。

本研究提出了一种解决图神经网络过拟合问题的方法，包括理论解释和图编辑方法，并在多个基准测试中验证了其有效性。

本文通过分析注视特征流形发现注视特征之间的测地距离与样本的注视差异一致。提出了与注视的物理定义相关的物理一致特征（PCF）和PCFGaze框架，通过PCF优化注视特征空间。实验结果表明，该框架缓解了过拟合问题，提高了跨领域注视估计的准确性，无需额外训练数据。注视特征的洞察力有潜力使其他具有物理意义的回归任务受益。

该论文分析了对训练重建网络起到贡献的模拟异常的关键特征，并提出了综合框架，解决了过拟合问题并避免干扰重建过程。评估结果表明该方法在对象类别方面优于现有方法，并在真实场景下遇到各种意外异常具有良好的潜力。

决策树是一种基于树形结构的分类模型，通过对数据属性的逐步划分，将数据集分成多个小的决策单元。决策树的优点是易于理解和解释，能够处理不同类型的数据，但容易出现过拟合问题。决策树回归模型在回归任务中使用，叶子节点表示一段连续区间或一个数值，预测过程通过匹配特征的划分方式逐步进行。决策树回归模型的特点包括易于解释、非参数性、可处理多元特征和不需要数据正态化。