- 用数据驱动的本地算子寻找方法进行等离子体系统的简化建模：II. 参数动力学应用
通过数据驱动的局部算子自动搜索算法 Phi Method 来学习参数化动力学，预测系统在未知参数空间中的行为，并相比参数化 OPT-DMD 在流体情况下展示了更高的预测性能。在两个测试案例中，参数化和集合 Phi Method 可靠地恢复了 - 一次性图表示学习基于超维计算
我们提出了一种新颖、简单、快速且高效的用于图像半监督学习的方法，该方法利用超高维度计算将数据样本编码成高维空间，并且通过 Hyper-dimensional Graph Learning 算法可以在图神经网络的节点表示上利用这种超高维度性质 - 具备领域知识先验的贝叶斯神经网络
通过变分推理，提出了一种将通用形式的领域知识（通过损失函数表示）整合到贝叶斯神经网络先验中的框架，使得后验推断和抽样具有高效性，以提升预测性能。
- 电子健康记录与笔记的多模态融合：利用超图和 LLM 集成结构与语义
提出了一个名为 MINGLE 的新框架，通过融合结构和语义以有效地整合不同类型的 EHR 数据，从而提高预测性能。
- 用于全幻灯片图像分类的紧凑、无偏负实例嵌入
整张切片图像分类中，使用多实例学习和半监督方法来改善基于切片级注释的分类算法，通过在正常切片上引入自由标注信号来减少切片间的变异性并捕捉常见变异因素，该方法显著提高了预测性能并优于其他半监督算法。
- LLMs 的时间序列预测：理解和增强模型能力
大型语言模型在时间序列预测方面具有明显的优势和限制，尤其在具备明确模式和趋势的数据上，LLMs 表现出色，但在缺乏周期性的数据集上面临挑战。研究发现，引入外部知识和采用自然语言改写有利于提升 LLMs 在时间序列预测中的预测性能。
- 基于 Boosting 的顺序元树集成构建优化决策树
使用增强学习方法构建多个元树以提高预测性能，防止过度深化的树引起过拟合的问题，并通过实验与单个决策树的集合进行性能比较。
- 使用 Transformer 学习决策树算法
MetaTree 通过训练基于 transformer 的模型，并使用经典算法的筛选输出结果来生成强大的分类决策树，从而在提供高预测性能的同时解决了局部优化和全局泛化之间的矛盾。
- 行为用户分割下面向预算限制的优化发现
基于随机优化的算法通过同时提高交付度量、降低预算开销并在发现中获得强大的预测性能来优化传递行为用户分割。
- 面向神经进化系统的物理合理性研究
通过最大化神经进化框架下人工神经网络模型的准确性和最小化功耗，本研究提出了一种新的变异策略，引入了模块层的随机重新引入，通过训练过程中同时训练两个模型以推动其中一个模型的功耗更低且准确性相似，结果表明功耗降低了 29.2%，但预测性能基本不 - 能量守恒的等变图神经网络用于格子构造一致性弹性材料
通过图神经网络模型，基于骨杈格构造了高阶张量来预测周期性结构的刚度特征，并通过比较错误度量验证了等变性和能量守恒的优点，表明预测性能提高且训练需求减少。
- LLpowershap: 基于逻辑损失的自动 Shapley 值特征选择方法
LLpowershap 是一种利用基于损失的 Shapley 值来识别信息特征的特征选择方法，与其他现有方法相比，它不仅能够识别更多的有信息特征，而且输出的噪声特征较少。在四个真实世界数据集上进行的基准测试结果显示，LLpowershap - 贝叶斯半结构子空间推断
通过子空间推理为半结构化回归模型提供贝叶斯近似，解决了考虑认知不确定性的问题，并展示了卓越的预测性能。
- 大学辍学预测中的时间变异性和群组间变异性
该研究对大规模行政数据在高等教育中对大学辍学预警系统中的贡献因素和预测性能进行了系统评估，发现大学第二年末的辍学预测在随机森林模型中的 AUC 比入学时高出 20％，而入学时的预测因素则被大学表现和后期的入学行为所取代，对于传统劣势背景学生 - 大型语言模型在围手术期风险预测和预测中的能力
探讨了通用领域大型语言模型（如 GPT-4 Turbo）能否通过手术过程描述和患者临床记录从电子健康记录中进行风险分层和预测术后结果指标。 对 8 个不同任务的预测性能进行了研究：ASA 身体状态分类的预测、住院、重症监护室入院、非计划入院 - 具条件性随机门的情境特征选择
我们研究了上下文特征选择的问题，提出了一种新的条件性 STG 模型，通过建立超网络和预测网络的联合模型，在学习预测函数的同时，根据特定背景和上下文变量选择最具信息量的特征，实现了更好的预测性能和解释性。
- 关于系统识别中基于上下文学习器的适应性
构建元模型描述系统类别的背景下系统识别的角色和元模型自适应的作用以及如何通过数字示例提高预测性能
- 使用机器学习预测术后恶心和呕吐：模型开发与验证研究
该研究利用机器学习开发了基于临床数据的新型工具，用于预测手术后恶心和呕吐的发生，以提供个性化的护理，并改善患者的治疗效果。
- 通过因果发现和领域知识融合提升神经网络性能
我们提出了一种名为因果感知神经网络（CINN）的通用方法，用于将观测变量之间的层次化因果结构编码到神经网络中，从而提高其预测性能。通过将因果性结构化知识映射到神经网络的逐层设计中，CINN 通过连续优化问题将因果关系发现转化为定向无环图（D - 基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择
一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该