本研究提出了一种修正拉格朗日方法（RegLag），旨在优化现代霍普菲尔德网络在外部分布样本检测中的不足，通过引入外部分布样本的吸引子，显著提高了识别准确性。

本研究比较了休眠多臂赌博机中的拉格朗日指数策略（LIP）与惠特尔指数策略（WIP）的性能。结果表明，LIP在WIP表现不佳时仍能保持良好效果，并显著减少内存需求。此外，研究分析了重启模型的拉格朗日指数，并提供了均匀赌博机的渐近最优性的新证明。

本研究提出了一种新的几何网络架构，利用黎曼视角学习降阶拉格朗日动力学，以解决高维系统中传统非线性动态模型的数据和计算复杂性问题。该方法提高了数据效率，能够准确预测刚性和变形系统的高维动态。

本文探讨了利用神经网络建模力学系统的Lagrangian及广义力，强调结合先验物理知识可提升动力学模型的预测准确性，尤其在机器人动力学建模中表现优异。提出的多种基于物理知识的深度学习方法在有限数据下展现了有效性和可靠性。

本文介绍了一种基于数学原理的学习优化（L2O）模型，验证了其在连续优化问题中的优越性。研究了现有方案并进行了基准测试，提出了新的算法和自监督训练方法，展示了在噪声环境下的有效性和鲁棒性，同时探讨了机器学习与优化方法的结合，推动了这一新兴领域的发展。

本文综述了利用拉格朗日对偶与原始-对偶学习求解约束优化的多项研究。PDL通过自监督模仿增广拉格朗日轨迹，约束违规极小；DIPL与DSL学习对偶可行解并提供质量证明；DeepLDE保证可行性与收敛。这些方法还应用于SLAM、最优潮流、持续学习和背包问题，兼顾效率与可行性。