CLEAR把后门样本检测从单层激活搬到跨层极值响应上：先用批归一化统计量把各隐藏层特征对齐到同一尺度，再取每个通道的空间最小值作为异常表示，并用粒子群优化搜索层间权重。在CIFAR-10与Tiny-ImageNet上，CLEAR的平均真阳性率分别为97.54%和99.54%，平均假阳性率为0.16%和0.03%，高于AC、SCALE-UP、AIBD与CCD；用其清洗后的数据重训，模型准确率接近良性模型。
极质量比旋近（EMRI）的贝叶斯参数推断长期依赖以真实参数为中心的窄先验或近真值初始化的马尔可夫链，而真实观测拿不到这些信息。一种深度学习辅助框架先用神经网络从数据中给出近似后验并据此收缩搜索区域，再由粒子群优化找到高似然起点，最后分阶段做马尔可夫链蒙特卡洛采样。在两个无噪声的六个月模拟信号上，所得后验与近真值初始化的参考分析接近，网络训练完成后每个信号约需十小时。
卵巢癌早期诊断依赖血清标志物与常规化验，但高维临床数据里冗余、噪声和相互相关的变量会拖累分类与可解释性。一种把相关性分析、互信息、XGBoost重要性和SHAP相关性四种排序用粒子群优化自适应加权的混合标志物选择流程，接上带注意力机制的多尺度一维卷积网络，在公开Kaggle卵巢癌临床数据集上以分层十折交叉验证评估，报告准确率93.35%、ROC-AUC 90.66%。消融中完整流程准确率85.51%，比无选择、无注意力的基线一维卷积网络高19.33个百分点。
该研究在嵌套交叉验证框架下，对经典KNN在由整数近邻数k、类别型距离度量和连续Minkowski指数p构成的混合搜索空间上，比较了网格搜索、随机搜索、贝叶斯优化、遗传算法、代理优化、粒子群优化（PSO）和灰狼优化器七种调优策略，在15个公开分类数据集上用准确率、宏AUC、交叉验证损失、交叉熵损失和运行时间五项指标评估，结果显示PSO取得最佳综合平均排名，但经Holm校正的Wilcoxon符号秩检验表明其仅相对随机搜索具有统计显著优势。
已读完全部报道