确定性树突状细胞算法
研究了用传统机器学习技术代替 Dendritic Cell Algorithm 分类阶段的效果以及该算法的动态过滤功能对异常检测问题的实用性，并发现 DCA 仍具有待研究的独特特性和潜在应用，建议在人工免疫系统社区进一步探讨其应用领域。
Jul, 2013
本文提出了一种基于十进制一次元细胞自动机（FDCA）的聚类算法，其中基于可达性创建聚类。使用 G"odel 数字编码将现实数据对象编码为十进制字符串，该方案减少了编码字符串的长度同时保持特征属性。根据自复制和信息流等一些理论标准，确定候选 CA 规则，并开发了迭代算法以生成所需数量的聚类，通过 Silhouette 得分、Davis Bouldin、Calinski Harabasz 和 Dunn 指数等基准聚类度量对聚类结果进行评估。与现有最先进的聚类算法相比，我们提出的算法具有更好的性能。
May, 2024
基于模拟生物群落的算法设计实现了一种能够在聚类中平衡性能与参数优化难度的新型聚类算法 Bacteria-Farm，并且该算法还可以根据具体任务和数据分布创建不同版本，并具备排除噪声的功能。
Sep, 2023
该研究提出了基于自我学习（SDL）模型的概率空间聚类算法，通过高斯概率分布等方式进行距离测量，并根据数据集本身的分布特征确定每个样本的聚类类别，有效避免了传统聚类算法需要预先设置类别上限和深度学习聚类算法可能出现的局部最优问题。通过在智能与安全汽车实验室（LISA）交通信号灯数据集上的测试，其准确率达到了 99.03％，召回率为 91％。
Jan, 2022
本研究探讨了基于微流控芯片的确定性侧向位移分离操作，利用卷积神经网络和人工神经网络学习速度场和关键直径，并结合多目标进化算法构建自动化设计工具。经过测试，在 12 个关键条件下，该自动化组件表现可靠，误差小于 4％。此工具具有广泛适用性，可推广用于其他领域性问题，且可用于类似物理学习的转移学习。
Aug, 2022
本文提出了一种基于偏好函数和可接受设计的随机单元传输模型的严格框架，并进行了数字实现，其中集成了仿真、高斯过程回归和随机探索程序。该方法在两个案例研究中得以验证。
Apr, 2023
本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021
该论文介绍了 D-SCORE 算法，用于大型社交网络中的社区检测，通过对邻接矩阵的奇异向量进行元素级别的比率来降低节点度量异质性的影响，理论上证明了这种算法及其变体在有向去噪格子模型下的性能对其进行了显着的改进，同时提供了在社区核外部分添加节点的新方法。
Aug, 2020
该研究提出了 FlowCyt，这是第一个针对流式细胞术数据进行多类单细胞分类的综合性基准。使用骨髓样本来对每个细胞的十二个标记进行表征，并通过监督感应学习和半监督传导学习在每个患者中最多使用 100 万个细胞进行实验。通过 Gaussian 混合模型，XGBoost，随机森林，深度神经网络和图神经网络（GNNs）等基准方法，GNNs 通过利用图编码数据的空间关系展现出卓越的性能。该基准允许对临床相关的分类任务进行标准化评估，并进行探索性分析以洞察血液细胞表型，并且是第一个具有丰富注释的异质数据集的公开流式细胞学基准。它将促进单细胞分析新方法的开发和严格评估。
Feb, 2024