本文提出了一种无训练的上下文学习方法EmoGist，用于视觉情感分类，解决情感标签的上下文依赖性问题。通过分析类别示例图像的聚类，预生成情感标签解释，从而提高分类准确性。实验结果显示，EmoGist在多个数据集上的F1分数显著提升。

本研究提出CRAT多代理翻译框架，旨在解决大型语言模型在机器翻译中对上下文依赖词汇的翻译不准确问题。通过因果增强自我反思和检索增强生成技术，显著提升了翻译的准确性和一致性。

研究探讨了新加坡英语词性标注的挑战，通过建立平行数据集和设计特定标注方法，提高标注准确度，揭示方言多样性和上下文依赖性对标注的影响。

该方法通过学习数据驱动的时空语义表示，解决语义视频目标分割问题。它捕捉连续帧中实例之间的协同作用，并剪枝嘈杂的检测，实现更长时间的上下文依赖。实验结果表明，该方法在挑战性数据集上表现出卓越性能。