本研究提出了一种新方法，解决小样本实例分割的高耗时和数据集依赖问题。通过生成伪标签和整合图像、文本特征，提高了分割性能，减少了对预训练的依赖。实验结果表明，该方法在多种场景中表现优越。

本研究针对3D医学图像分割中的类不平衡问题，提出了一种新颖的主动轮廓驱动的形状变换（STAC）方法，旨在通过放大较小的器官来缓解类分布不均的问题。实验结果表明，该方法显著优于传统的先进技术，为医学图像分割领域提供了有效的解决方案。

本研究针对高维数据上的回归分析问题，提出了一种新的基于扩散的谱算法，尤其是针对嵌入在低维流形中的数据。该算法通过图拉普拉斯近似和热核的局部估计特性，提供了一种自适应的数据驱动方法，能够在完全无标签的数据上进行半监督学习，从而显著提升性能并深入理解数据流形。研究表明，算法的收敛速率仅依赖于流形的内在维度，有效克服了与高维数据相关的维度诅咒。

本文提出了一种用于医学图像分割的半监督学习框架，结合多尺度文本感知的ViT-CNN融合方案，利用视觉和语言模态的互补信息。通过多轴一致性框架生成稳健的伪标签，提升学习效果。实验结果在多个数据集上验证了该方法的有效性。

本文探讨了文本生成中的一致性、多样性和创造性问题，提出了结合预训练语言模型和强化学习的新方法。研究表明，混合红狐人工蜂鸟算法和改进注意机制能提升文本生成质量。文献回顾分析了文本生成的任务、评估和挑战，指出九个主要挑战并提供解决方案。最新研究强调可控文本生成技术在提升安全性和风格丰富性方面的重要性。

研究探讨半监督图表示学习中语义保留与数据扰动的平衡，提出保留解释的增强（EPA）方法，通过图解释技术生成增强图，确保语义保留和变异性。实验表明，EPA-GRL在多个数据集上表现优于现有方法。

本研究提出了一种基于模型注意力的扰动方法，解决半监督医学图像分割中的扰动策略不足问题。通过增强一致性正则化，处理复杂结构和高维语义。实验结果表明，该方法在ACDC数据集上取得了90.4%的Dice分数。

本研究通过流形假设的标签传播方法，解决了机器学习中标记数据集的高成本问题。结果显示，该方法在情感分析中能显著减少所需标签数量，利用图形方法生成伪标签，有效整合未标记数据，降低成本。

本文解决了在实际应用中联邦学习面临的标签稀缺、非独立同分布数据和不可解释性等问题。通过引入生成性人工智能（GAI）辅助的个性化联邦半监督学习框架XPFL，本文提出了一种新颖的模型训练方法，并通过可解释AI机制提升模型的可解释性。最终，仿真结果验证了XPFL框架的有效性，并显示其在个性化学习方面的潜在影响。

我们提出了一种在视频处理中引入测试时适应性的框架，将其整合到迭代扩散反转过程中。训练阶段使用基于扩散的网络和新的时间噪声模型，推理阶段通过扩散管道自校准进行在线适应。实验表明，该方法在恢复受天气影响的视频方面优于现有技术，并在合成和实际视频中对未知天气条件表现出色。