本研究探讨了连续变量量子计算（CVQC）与经典机器学习的结合，发现CVQC显著提高了特征表达能力和分类准确性，尤其在高维数据集上，但也增加了计算成本。

本文介绍了连续深度图神经网络（GNN）及其与图神经常微分方程（GDEs）的关系，强调了GDEs在静态和动态设置中的计算优势。研究提出了图神经随机微分方程（Graph Neural SDEs）和基于加法普通微分方程的非参数建模方法，展示了在高维数据集上的优越表现。此外，STG-NRDE方法结合了神经网络和图卷积网络，优化了交通流量预测的准确性。

本文探讨了渐进流模型和得分基础生成模型的数学结构，提出了一种基于核函数的得分函数模型，以提升训练性能。通过最小化Wasserstein损失，解决无监督学习问题，并证明了常微分方程（ODE）与真实数据分布之间的关系。此外，研究还提出了Wasserstein梯度流方法，展示了其在高维数据集上的性能和可扩展性。