本文提出了一种新的成员推断攻击方法LBRM，旨在解决生成模型在时间序列插补中无意记忆训练数据的问题。该方法通过参考模型提高了攻击的准确性，未调优时AUROC提升约40%，调优后提升至约60%，有效应对隐私风险。

本研究提出了一种基于短距离FMCW雷达的人脸识别与异常检测新流程，识别准确性达到99.30%，异常检测能力AUROC为96.91%，显示出良好的实际应用潜力。

本研究探讨了对比学习在医学成像中的不足，并提出了一种新的增强策略。通过调整增强尺度，发现弱增强预训练模型在多个数据集上表现更佳，尤其在AUROC和AUPR值上显著提升，强调优化增强尺度对提高医学成像对比学习有效性的重要性。

本研究提出Glimpse方法，解决了零-shot LLM生成文本检测中白盒方法无法使用强大专有模型的问题。实验结果表明，Glimpse与Fast-DetectGPT和GPT-3.5结合，AUROC平均值约为0.95，提升幅度达51%。

本研究探讨了纵向健康与行为感知研究中的缺失数据处理，强调补全策略的重要性，能够显著提升研究结果，最高可使抑郁症预测的AUROC提高31%。

研究提出了一种新颖的深度学习方法，通过联合预测平行超平面，准确估计晚期干性年龄相关性黄斑变性（dAMD）的风险。模型在不同数据集上，6、12和24个月的预测间隔内的平均AUROC值为0.82和0.83，显示出良好的预测能力。文章还介绍了DeepSeeNet、ReLaX和Morph-SSL等其他相关研究，展示了深度学习在医学影像预测中的应用潜力。

本文提出了一种模型不可知的方法，通过优化AUC选择函数，并使用AUCROSS算法实现最佳平衡。研究表明，AUPRC与AUROC之间存在关联，强调了对度量标准性能深入理解的重要性。此外，提出了新的评价指标和替代损失函数，以提升分类性能和模型可信度。

本文综述了AUPRC与AUC优化的研究进展，涵盖：基于SOAP采样的AUPRC优化方法及其收敛性证明；提升收敛速度的随机动量与自适应方法；解决多方协同AUPRC最大化的SLATE算法；Precision-Recall曲线在聚类验证中的应用；线性复杂度的AUC替代损失函数；深度学习中组合损失与AUROC最大化的实验研究；20年AUC最大化文献综述；评估OOD检测的AUTC指标；以及AUC-opt算法及其NP完全性证明。