本研究提出了BadSR方法，旨在解决图像超分辨率模型易受后门攻击的问题。该方法提高了被污染高分辨率图像的隐秘性，并确保对干净图像的修改保持在受限范围内。实验结果表明，该方法在多种模型和数据集上具有高攻击成功率，显著影响下游任务。

本研究提出了一种基于注意力的学习框架（ACTLL），旨在解决电子健康记录中医疗时间序列数据的标签错误问题。该方法通过动态校准不确定标签和增强已确认实例，提高了患者结果预测的准确性。实验结果表明，在高噪声情况下，该模型优于现有技术。

本研究分析了视觉变压器在标签噪声条件下的表现，结果显示大模型在分类准确性和校准效果上优于小模型，为资源受限环境的应用提供了指导。

本研究提出了FairPO框架，通过优化偏好信号提升多标签分类的公平性。结果表明，该框架有效减少标签间的偏见，确保不同标签类别的公平对待，并具备扩展到多标签生成的潜力。

本研究提出FFCBA方法，解决多目标后门攻击中干净标签攻击性能不稳定和扩展性差的问题。通过特征扩展和迁移，生成有效的噪声触发器，实现高效的跨模型攻击，展现出优越的攻击性能和良好的鲁棒性。

本文提出了一种PTCL方法，旨在解决动态节点分类中标签有限的问题，尤其是在完全标签需求的情况下。通过生成伪标签和时间课程学习策略，显著提升了节点分类的效果。实验结果表明，PTCL优于其他方法，为动态图研究提供了新的数据集和框架。

本研究推出ViClaim数据集，包含1,798个多语言视频转录本，涵盖六个主题，填补了视频内容虚假信息检测的空白。

本研究提出了一种新方法GPMFS，旨在解决高维多标签学习中的维度诅咒问题。该方法结合全球特征与个性化特征选择，显著提升了学习性能和解释性。实验结果表明，其在多个真实数据集上表现优异。

本研究探讨了如何将多个二元目标标签整合为一致排名，分析了损失聚合与标签聚合两种方法。结果显示，尽管两者均可达到帕累托最优解，但标签聚合更优，避免了标签独裁现象，为实际应用提供了指导。

本研究探讨了深度学习在医学影像领域中不同标签可用度下的应用，分析了自2018年以来约600项相关研究，介绍了不完全和缺失监督的学习范式，促进对当前研究状态的理解，并讨论未来的研究挑战。

本研究提出FairFGL框架，旨在改善联邦图学习中少数群体节点的表现。通过图挖掘与协作学习，FairFGL提升了少数类节点的表示，缓解了拓扑偏差。实验结果显示，该框架在八个基准测试中，宏观F1得分提高了22.62%。

本研究提出了一种新模型LSGMER，解决了多模态情感识别中情感标签信息被忽视的问题，显著提高了分类的准确性和稳定性。实验结果表明，该模型在IEMOCAP和MELD数据集上表现优异。

本研究提出医学X射线注意(MXA)模块，旨在解决X射线分析中的多条件检测问题。通过将知识蒸馏与视觉变压器结合，模型在CheXpert数据集上的AUC值达到0.85，性能提升233%。

本研究提出了一种粗到细的标记预测方法，解决自回归图像生成中的量化误差问题。实验结果显示，Inception分数平均提升59分，且采样速度更快。

该研究提出了一种新型攻击方法SCLBA，针对图卷积网络（GCNs）的标签和语义后门攻击。通过重要性分析选择节点作为触发器，成功创建有毒样本，攻击成功率接近99%。

本研究针对高频交易中的回报预测标签不平衡问题，利用深度学习框架成功预测中国期货市场的高频回报，代码已公开，具有应用潜力。

本研究提出了一种新颖的BP-SGCN框架，通过引入基于运动特征的行为伪标签，显著提高了异构交通参与者的轨迹预测精度，实验结果优于现有方法。

本研究提出了SLIDE数据集和多标签语言识别模型，旨在解决斯堪的纳维亚语言的多标签识别问题，强调同时识别多种语言对提高识别准确性的重要性。