- 使用反事实示例进行去偏机器学习
使用机器学习技术实施被遗忘权以减轻历史行为的持久影响，但经常忽视遗忘过程中的偏见问题。本文通过分析遗忘过程的因果因素，在数据和算法两个层面上减轻偏见，并通过引入干预方法和反事实例子指导遗忘过程，实现了更好的性能评估。
- MM使用游戏引擎和机器学习创建合成卫星图像进行桌面验证练习
利用现代游戏引擎和先进的机器学习技术生成合成图像，以支持通过新的卫星星座和极短重访时间实现的验证能力的简单监控方案的桌面推演的有用性。
- Floralens: 一种用于葡萄牙本土植物的深度学习模型
使用机器学习技术，特别是深度卷积神经网络，对生物种类进行基于图像的识别在很多公众科学平台中至关重要。然而，关于训练网络所需的关键数据集构建和网络架构的选择目前有很少的文献资料，因此难以复制。本文提出了一种简化的方法，通过使用公开可用的研究级 - 应用于视频分析系统的机器学习方法综述
该研究论文通过调查机器学习技术在视频分析领域的发展情况，总结了用于人体活动识别的最流行的深度学习方法，其中涵盖了不同于由多个参与者在长时间内执行多个活动支配的现实数据集的标准数据集，介绍了在成功检测到相关对象后，通过训练仅用于检测单一活动的 - 节点对齐的图生成器用于合成反应预测
单步逆向合成是有机化学和药物设计中的关键任务，计算辅助合成规划的出现使得使用机器学习技术促进该过程的兴趣日益增长。我们提出的 NAG2G 方法，也是一种基于 Transformer 的无模板模型，但利用了二维分子图和三维构象信息，同时简化了 - 提升效果与预测建模之比较分析
通过理论分析比较预测方法与提升建模方法，本论文针对二进制结果和二进制操作案例，从理论基础出发，重点讨论了提升建模方法的性能影响因素，研究贡献包括利润度量的新形式、提升曲线收敛于利润度量的正式证明以及在模拟中证明预测方法仍然优于提升建模的条件 - 用于单颗粒扩散轨迹分析的机器学习解决方案
单粒子追踪、扩散运动机制、随机机制、机器学习技术与可解释性。
- 用公开的医疗保健数据构建医疗费用预测模型
利用机器学习技术基于患者诊断和人口统计学数据构建预测模型，并使用决策树方法进行预测，其结果优于先前研究的类似问题报告的结果，因此有望降低医疗保健成本。
- ICLR蛋白质主干在三维中的概率扩散建模：用于基序支架问题
利用 E (3)- 等变图神经网络学习分布并通过 SMCDiff 有效地从大量的蛋白质背骨结构中对指定基序进行条件采样构造支架结构，可在保证结构多样性的情况下采样长达 80 个氨基酸残基长度的支架，同时对于固定的基序可获得多样性的构架结构。
- 在多轻子末态中，探测与 Z 玻色子关联产生的顶夸克有效场论算符
在多个轻子末态中利用有效场论框架下的一个或两个顶夸克与 Z 玻色子的关联产生过程，搜索新的顶夸克相互作用。使用机器学习技术提高灵敏度，并在数据拟合中同时适应五个 Wilson 系数。结果表明所有结果均符合 SM 预期。
- 基于深度学习色散滤波器的时间域数字反向传播 ASIC 实现
采用机器学习技术联合优化和量化色散滤波器的时域数字背景补偿方法，相比基础实现，在 28 纳米 CMOS 上实现了改善的 BER 性能和 > 40% 的功耗降低。
- 利用稀疏嘈杂的时间序列数据进行机器学习分类变量星
本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。