本研究分析招聘过程中的算法偏见，评估五种经典算法在候选人选择中的有效性，并探讨数据匿名化对预测质量的影响。

本研究提出时序差分流（TD-Flow）方法，旨在解决预测模型推理中的小错误累积问题，直接预测未来状态，从而提升预测质量。TD-Flow通过降低梯度方差，展示了在多个领域的优越性，表明其在长期决策中的潜在影响。

本研究利用机器学习探讨系外行星数据集中缺失值对质量测量的影响。通过比较五种算法，发现填补不完整数据能够提高预测质量。提出的$k$NN$ imes$KDE算法显示出较高的可信度和行星特征。

通过多功能度量方法研究了RNNs的组成部分与时间序列特征之间的联系，发现激活层能学习时间序列的滞后结构，但在连续几个层中丧失该信息，降低了具有较大滞后结构的序列的预测质量。激活层无法充分建模移动平均和异方差时间序列过程。通过热图可视化不同网络超参数选择下的激活层进行比较，帮助评估RNNs在给定时间序列数据上的效果。

本文提出了一种利用地面图像和手机GPS训练深度神经网络预测车辆位置的方法，实验证明其在实际应用中具有足够的预测质量。

该研究提出了一种基于三元注意力变换器的时空预测学习方法，通过整合Triplet Attention Module (TAM)和自注意力机制，提高了预测质量。实验证明，在多种场景下，该方法超过了现有的方法，达到了最先进水平。

本文介绍了一种名为“替代特征选择”的方法，可以获得小型、可解释且高度准确的预测模型。研究发现替代特征集合具有较高的预测质量，并分析了影响结果的几个因素。

本文介绍了一种名为“替代特征选择”的方法，可以获得小型、可解释且高度准确的预测模型。作者使用 30 个分类数据集评估了替代特征选择的效果，并观察到替代特征集合可能具有较高的预测质量，并分析了影响这一结果的几个因素。

本文介绍了一种使用因果干预公平性范例的方法，通过考虑公平性来提高预测质量，不添加偏差。使用条件独立性检测的方法确定干预公平的特征子集，并通过现实世界的数据集进行了实证评估，证明了方法的有效性和效率。

该文介绍了一个名为“预测流”的算法，用于解决轨迹预测中的物体出现和消失以及预测结果的时间连续性问题。该算法采用多模型轨迹传播和可微分滤波器提高预测质量，得到更准确的结果。

本文介绍了一种名为“替代特征选择”的方法，可以获得小型、可解释且高度准确的预测模型。该方法被形式化为一个优化问题，并定义了替代特征集合的约束条件。作者使用30个分类数据集评估了该方法的效果，并观察到替代特征集合可能具有较高的预测质量。同时，作者分析了影响这一结果的几个因素。