诸如社交网络，事物互联网或医疗保健系统等人为的系统系统越来越成为现代生活的主要方面。在这种系统中的人类行为的现实模型在准确的建模和预测中起着重要作用。然而，在不确定性下的人类行为通常违反传统概率模型的预测。最近，量子类似的决策理论已经示出了通过应用量子概率来解释人类行为中的矛盾的相当大的潜力。但是提供了可以预测的量子决策理论，而不是描述当前的人类行为状态仍然是未解决的挑战之一。我们的方法的主要新颖性正在推出一个受到量子信息理论中纠缠概念的纠缠贝叶斯网络，其中每个人都是整个社会的一部分。因此，社会对决策过程的动态演变的影响，这些过程较不经常考虑在决策理论中，是由纠缠措施建模的。在22项实验任务中评估了所提出的预测纠缠量子样量子贝叶斯网络（PEQBN）。结果证实，PEQBN在与经典贝叶斯网络和最近的量子类似的方法相比，在不确定性下提供了更现实的人类决策预测。

最近出现了许多变异自动编码器（VAE），目的是建模多模式数据，例如，共同建模图像及其相应的标题。尽管如此，多模式的VAE倾向于仅通过在忽略标题的同时拟合图像来关注模式的子集。我们将此限制称为模态崩溃。在这项工作中，我们认为这种效果是多模式VAE训练中梯度冲突的结果。我们展示了如何检测梯度冲突（公正性块）的计算图中的子图形，以及如何利用从多任务学习到减轻模态崩溃的现有梯度冲突解决方案。也就是说，确保跨模式的公正优化。我们将培训框架应用于文献中的几种多模式VAE模型，损失和数据集，并从经验上表明，我们的框架显着改善了跨模态的潜在空间的重建性能，有条件的产生和连贯性。