我们提出了一种通用的方法，将任何基于混淆矩阵的度量转化为可用于优化过程的损失函数，并通过对其导数的建议证明了其可微分性。我们在多个数据集上进行了广泛的实验证明了该方法在处理不平衡数据集方面的杰出成就，并且与多个基准模型相比的竞争学习速度凸显了其效率。

本文评估了弱监督语义分割方法在不同数据集上的表现，并指出组织病理学和卫星图像的挑战。需要进一步研究实现通用方法。

本文提出了一种通用方法来优化惩罚参数的值，并在线性二次问题的背景下，提出了一种新的封闭形式公式来计算最佳松弛参数。该方法在图像配准、去模糊和MRI重建等应用中经过实验证明了其有效性。

该文介绍了一种高效侦测潜在假相关的通用方法，适用于检测由生成模型产生的可能会传播到下游应用程序中的假相关。

该研究提出了一种通用的方法，可提高模型的标签鲁棒性和识别准确率，同时对未标记面部图像也有较好的效果。

本研究提出了一种名为Mix Prompt Tuning (MPT)的半监督学习方法，通过多个低资源科学分类任务的实验证实了该方法的有效性。与微调算法相比，MPT平均提高了5％的Macro-F1分数。MPT是一种通用方法，可轻松应用于其他低资源科学分类任务。