更新校准对于缓解因样本或测量条件导致的预测性能下降至关重要。本研究提出了一种改进的半监督无参数校准增强（MSS-PFCE）方法，以改善跨多种生物变异性的果实品质评估。研究使用了六个涵盖不同季节、产地和品种的果实数据集，来检验MSS-PFCE的有效性。结果表明，MSS-PFCE显著降低了从属光谱的平均预测均方根误差（RMSEP），降幅分别至少达到50.63%、92.66%和76.47%。MSS-PFCE优于四种基准方法（SS-PFCE、全局模型、重新校准以及斜率/偏差校正（SBC），同时仅使用5%的从属样本就能实现模型更新。此外，在不同的样本比例和成本阈值下，该方法能使更新后的模型保持较强的可靠性和稳定的拟合度。本研究有望推动一种新型更新技术的应用，该技术具有高精度、低样本依赖性、拟合稳定性和强可扩展性等特点，可用于现场果实品质评估。
A41 (新鲜水果): 研究使用了“六个水果数据集 (Six fruit datasets)”，涵盖不同季节、产地和品种，归为 A41。
B03 (品质、结构与理化性质): 核心任务是“水果品质评估 (Fruit quality evaluation)”，具体针对的是模型在不同生物变异性下的稳健性，属于品质检测。
C14 (光谱/成像): 文中提及“光谱 (spectra)”，属于光谱分析技术。
D85 (其他特殊成分): 泛指“品质 (Quality)”，通常包括糖度、酸度等综合指标，归为 D85。
E18 (其他传统机器学习): 提出的 "MSS-PFCE" (改进的半监督无参数校正

快速且可靠地检测韭菜中的农药残留，对于保障食品安全和农业可持续发展至关重要。本研究以9种环保型花青素为染料、硅胶板为载体，开发了一种新型比色传感器阵列（CSA）。通过顶空固相微萃取结合气相色谱-质谱联用技术，证实了本研究中CSA的颜色变化与样品中挥发性有机化合物的酸碱度有关。将该CSA与模式识别模型相结合，实现了对韭菜中农药种类、浓度及含量的检测：卷积神经网络分类器对农药种类的分类准确率达100%，对浓度的分类准确率达75%-100%；支持向量回归模型的均方根误差为1.02-2.68 mg/kg，相关系数为0.93-0.95。该方法在常规、快速的食品安全检测中具有巨大潜力。
A42 (新鲜蔬菜): 研究对象为“韭菜 (Allium tuberosum)”，属于 A42。
B52 (化学污染物): 核心任务是检测“农药残留 (pesticide residues)”，包括类别、浓度和含量。
C13 (光谱/成像): 使用“比色传感器阵列 (Colorimetric sensor array, CSA)”，通常涉及图像采集和 RGB 分析，归为 C14。
D85 (其他特殊成分): 检测目标为农药，归为 D85。
E21 (卷积神经网络 CNN): 摘要明确指出 "Convolutional neural network classifier" 表现优异（100% 准确率），归为 E21。
E12 (支持向量机 SVM): 摘要提及使用了 "Support vector regression (SVR)" 进行定量预测，归为 E12。
F01 (分类) & F02 (预测): 这是一个“多任务检测 (Multi-task detection)”研究，包含分类 (Category/Concentration classification, F01) 和 定量 (Content determination, F02) 任务。
G11 (可见光/图像数据): 数据源为 CSA 的颜色变化信号，属于 G11。

乳化剂能维持乳浊液的稳定性，而乳蛋白形成的乳浊液是不稳定的。因此，需要找到筛选食品源化合物的有效方法。本研究将分子描述符与机器学习算法相结合，构建了用于筛选乳化化合物的定量构效关系模型。向不同的乳蛋白乳浊液中添加候选化合物，以评估其稳定性。结果表明，采用分子操作环境描述符结合随机森林算法构建的模型具有最佳的预测能力（曲线下面积：0.9947；准确率：93.33%）。甘草酸具有优异的乳化能力，将甘草酸与乳蛋白结合制备的乳浊液液滴粒径和电位更小（分别为102.64 nm和-36.64 mV），物理稳定性更好，起泡性提高了39.59%，且黏度更高。甘草酸显著提升

刺五加在全球范围内被广泛研究。由于价格高昂，非法活动，尤其是掺假行为，日益猖獗。为了识别掺假的刺五加，有必要同时针对高含量的与品质相关的化合物以及整体的理化性质。本研究采用数据融合方法，整合便携式近红外（NIR）光谱技术和便携式质谱（PMS）技术，用于刺五加掺假的识别。通过模糊算法实现了用于掺假检测的高级别数据融合。该数据融合模型在预测集上表现优异，准确率达到0.96。利用加权平均算法构建的用于量化掺假比例的回归模型显示出良好的预测能力，预测集决定系数（R2P）为0.9664，预测均方根误差（RMSEP）为0.0535克/克。先进的融合模型优于单一技术模型，这表明将PMS和NIR与数据融合策略相结合，在刺五加掺假的识别和量化方面具有实用性。
A17 (其他谷物与块根): 研究对象为“刺五加 (Acanthopanax senticosus)”，通常使用其干燥根和根茎。参照此前甘草 (LY0051) 的处理方式，将其归入 A17 (根茎类/药食同源植物原料)。
B94 (质量管理与追溯系统): 核心任务是“掺假鉴定 (identification of adulteration)”，属于防伪与真实性鉴别。
C14 (光谱/色谱/质谱): 使用了“便携式近红外光谱 (Portable NIR)”和“便携式质谱 (Portable Mass spectrometry, PMS)”，属于仪器分析技术。
D85 (其他特殊成分): 检测目标为掺假物及整体理化性质，归为 D85。
E18 (其他传统机器学习): 摘要提及使用 "Fuzzy algorithms" (模糊算法) 进行数据融合分类，以及加权平均算法进行回归。模糊逻辑属于计算智能/广义人工智能范畴，归为 E18。
F01 (分类) & F02 (预测): 包含两项任务：掺假鉴定 (F01, accuracy 0.96) 和掺假比例定量 (F02, R2 0.9664)。
G18 (多模态/融合数据): 核心创新在于 "Data fusion" (数据融合)，整合了 PMS (质谱) 和 NIR (光谱) 两种不同模态的数据，符合 G18 定义。

鲜味肽因其较高的营养价值和独特的风味而备受关注。然而，由于实验的复杂性和时间成本，鲜味肽的鉴定面临诸多障碍。本研究基于TastePeptidesDB（http://tastepeptides-meta.com/TastePeptidesDB）中记录的识别阈值，利用分子描述符、指纹图谱和分子对接技术构建了集成模型。随后，开发了一种新的预测框架，名为Umami_IP，用于预测鲜味肽的识别阈值。Umami_IP在训练集/测试集中的R²分别为84.95%/84.46%，解释方差分别为86.82%/84.47%。通过解释性分析和密度泛函理论，证实了静电表面势与识别阈值之间存在强相关性。本研究识别出了靠近活性口袋的静电通道。通过多序列比对，发现了T1R1上的关键基序（120S～169Y、179K～229L）。该研究为鲜味候选肽的筛选和鉴定提供了有价值的指导和排序依据。Umami_IP可在http://tastepeptides-meta.com/
A119 (其他添加剂与配料): 研究对象为“鲜味肽 (Umami peptides)”，主要用于食品增味，归为 A119 (其他添加剂/配料)。
B08 (感官科学与消费者研究): 核心任务是预测“鲜味识别阈值 (Umami recognition threshold)”，属于感官科学范畴。
C64 (数值仿真): 研究使用了 "Molecular docking" (分子对接) 和 "Density functional theory" (密度泛函理论 DFT) 来解释机制，属于数值模拟计算。
D11 (蛋白质与氨基酸): 研究物质为肽。
E18 (其他传统机器学习): 建立了一个 "Ensemble model" (集成模型)，通常指基于传统机器学习算法（如 RF, XGBoost 等）的集成，归为 E18。
F02 (定量预测): 任务是“定量预测 (Quantitative prediction)”阈值数值。
G15 (组学数据): 数据源为分子描述符、指纹图谱和肽序列信息，属于 G15。