本研究探讨了跨语言大型语言模型在情感识别中的表现，发现其存在英语中心主义倾向，未能有效捕捉文化情感细微差别。研究提出多语言训练策略，强调中间层特征对情感信息的重要性，并展示了大型语言模型在资源匮乏语言中的应用潜力。实验结果表明，集成模型在情感检测中表现优异，推动了情感认知能力的提升。

本研究探讨了深度学习在急性淋巴细胞白血病（ALL）诊断中的应用，提出了多种模型和方法，包括卷积神经网络和集成模型，达到了99.12%的准确率。这些技术为血癌的早期检测和治疗提供了新的可能性，强调了可解释人工智能在医学中的重要性。

本文证明了集成模型存在预测不稳定性，需要平衡信息利用和风险。分析揭示了特定集成算法的预测不稳定性形式。

该论文提出了一种新的方法，通过探索个体网络之间的交互来提高集成模型的抗干扰性，并演示了一种适应性的多样性促进正则化器，以提高集成的鲁棒性。该方法在各种数据集上取得了良好的实验效果。

本文介绍了通过引入能量来生成对抗补丁，以最小化“人”类别的总能量，并生成针对多个目标模型输出的对抗补丁。通过对抗训练构建动态优化的集成模型，调整被攻击目标模型的权重参数，实现更强的攻击潜力。

该研究通过使用多个独立的子网络组成的集成模型来提高模型性能和可靠性，并通过新的损失函数鼓励模型之间的多样性。该方法在多个领域的实验中取得了显著改善。

该研究提出了一种新方法，使用成对距离评估器（PaiDEs）对集成模型进行认识不确定性估计。PaiDEs能够高速覆盖更大空间，在更高维度上实现更准确的认识不确定性估计。实验证实了PaiDEs在认识不确定性估计方面的优势。