本研究探讨了预测算法中准确性与公平性之间的矛盾，提出通过线性组合这两者的度量来评估算法的整体价值，并为使用COMPAS数据集的分析提供理论支持。

本文提出了一种新颖的结果不可区分预测算法，旨在解决专业网络在推荐过程中固化特权和劣势的问题。该算法结合了在线K29星算法和再生核希尔伯特空间理论，能够在演化图中对不同人口群体的边形成进行多重校准预测，并优化社会福利函数下的损失。

本研究提出了一种新的成对马尔可夫链（PMC）预测算法，通过引入隐藏状态，显著提升了连续值预测中的波动性预测性能，对学术界和实践领域具有重要影响。

本研究提出了一种使用MHNN算法预测有机半导体光电性质的方法，结果显示MHNN在多个任务中优于基准模型，且无需三维几何信息。此外，MHNN在训练数据有限的情况下比预训练GNNs更有效，为分子表示和高阶连接属性预测任务提供了新的策略。

我们研究了一种顺序二进制预测设置，证明了存在一种预测算法可以在对手选择的二进制结果序列上实现较低的校准距离。即使在对手输出的独立随机比特序列时，无法避免出现较高的校准距离。

该研究提出了一种面向资源受限设备的分散协作机器学习框架，通过增量学习算法、模型交换协议和预测算法实现了准确性、训练时间和鲁棒性的显著提升。

本研究探讨了在存在互相连接的个体不独立样本的情况下，预测算法的表现。提出了一种基于网络的罚函数来鼓励联通节点的预测相似性，并证明了其在预测模型中的应用能够显著改进表现，特别是在存在网络内部联系的情况下。通过对青少年的探险行为和大麻使用水平的预测研究，发现这种方法对预测行为的提高是有效的，并提供了对变量效应估计的说明。