本研究评估了多种特征学习和预测方法，以提高小型和中型出版商学术文献的元数据提取效率和准确性。结果表明，不同方法在提取效果上存在显著差异，为未来研究提供了指导。

本研究提出了一种基于图结构和分层交叉注意力机制的多模态植物种类预测方法，旨在提升生物多样性管理和物种识别的效果。通过融合多模态特征，显著提高了预测性能。

本研究探讨了时间序列预测中数据集选择的偏差，发现优选数据集可能扭曲模型性能评估，夸大效果。因此，需要建立全面的评估框架，以真实反映实际情况，推动更稳健的预测方法发展。

本研究探讨了在澳大利亚法律背景下的法律引用预测方法，比较了多种策略，发现任务特定的指令调优显著提高了引用准确性，混合方法优于单一检索方式。

本研究提出了一种基于注意力的电动车充电需求预测方法（AHMDF），有效解决了传统模型在捕捉空间关系和时间特征方面的不足。该方法结合地理聚类超图和多变量门控变换器，考虑了静态和动态影响，实验结果表明其在多个数据集上优于其他模型，突显了动态影响在城市区域预测中的重要性。

本研究解决了对话中短暂背channel表达预测不准的问题，提出了一种实时连续预测方法。通过微调语音活动模型，在不平衡数据集上进行帧级预测，实验结果优于基准方法，推动了更人性化的对话系统发展。

本研究提出了一种三层学习框架TTSO，解决时间序列的OOD泛化问题，考虑样本和组的不确定性。实验显示该方法在真实数据集上有效。文章还综述了多种时间序列预测和泛化方法，展示其在不同领域的应用优势。

本研究结合半监督图卷积网络（GCN）与分子描述符，提出了一种新颖的PFAS肝毒性预测方法。结果表明，该方法能够更准确地评估PFAS的肝毒性，为新PFAS的化学发现和安全法规提供指导。

本研究提出了一种新颖的多元时间序列预测方法MTPNet，结合多尺度Transformer和辅助时间序列构建，显著提高了预测准确性。通过可学习的分解策略和双重注意力模块，MTPNet在多个基准数据集上表现优异。此外，研究还探讨了基于状态空间模型的C-Mamba方法，解决了高维数据集中的通道依赖问题，提升了预测性能。

本文介绍了基于生成模型的蛋白质构象预测方法，如EquiDock、FoldFlow和AlphaFlow。这些方法结合人工智能和分子动力学，显著提高了蛋白质结构预测的精度和多样性，克服了传统方法的局限性。研究表明，这些新模型在动态结构和构象灵活性方面表现优异，为未来的蛋白质设计提供了新的评估标准和潜力。

本文介绍了一种基于嵌套框架的预测方法QOOB，结合分位数回归和交叉合规化技术，表现优异。研究了无分布预测区域和自适应预测区间，提出自洽符合性预测，帮助决策者量化不确定性，优化风险管理。实验证明了该方法的有效性和可靠性。

本文提出了多分辨率时间序列变压器（MTST）框架，能够同时建模不同分辨率的时间模式，实验结果表明其预测准确性优于现有技术。此外，研究还介绍了基于Transformer的多元时间序列预测方法，强调了通道独立性和自我监督学习的有效性，提升了长期预测的表现。

本文提出了一种新的预测方法，利用加权分位数和随机化技术应对数据分布漂移，增强模型的鲁棒性。该方法适用于时间序列数据，能够在数据不可交换时提供有效的置信区间，并在多个真实数据集上表现优于现有方法。此外，研究探讨了不确定性量化和运动规划中的应用，并提供了可扩展的代码库以支持新算法的测试。

该研究综合了小波分析技术与机器学习方法，提出了三个主要贡献：使用不同消失矩的Daubechies小波作为预测方法的输入特征；比较不同小波变换在计算特征时的使用情况；评估小波特征在不同预测方法中的应用，结果显示小波特征在非时态和时态预测中都有益处。

本论文比较了预测方法和提升建模方法，并讨论了提升建模方法的性能影响因素。重要因素包括特征和结果之间的信息互信息、估计器的方差、潜在结果的分布以及治疗和结果的成本与收益。

深度学习模型在大量数据训练下成为有效的预测方法，但研究发现基于自然图像训练的模型在磁共振成像分割任务上效果不佳，可能也不适用于其他成像模态。

该文介绍了一种名为RAILD的预测方法，能够学习未见实体和关系的表征，实验表明RAILD在知识图谱任务上性能显著提高。