本研究提出了一种一次性聚类联邦学习（OCFL）算法，旨在解决联邦学习中个性化模型交付的客户端聚类问题。该算法通过计算客户端梯度的余弦相似度，自动检测聚类时机，实验结果表明其在多个任务中表现优异，具有显著的实用价值。

本研究提出了LoRACLR方法，解决个性化模型合并中的属性缠结问题。该方法能够无缝整合多个LoRA模型，提升个性化图像生成能力，无需单独微调。研究结果表明，LoRACLR在准确合并多个概念方面表现优异。

UniHands是一种新方法，通过整合不同来源的野生采集关键点，解决手部运动捕捉中的低保真度和数据不一致性问题。该方法创建标准化且个性化的手部模型，实验表明其在捕捉高精度手部动作和提升模型自然感方面优于现有技术。

本研究提出了一种基于深度学习的神经网络架构，用于合成安全的人类感官数据，以保护隐私并改善数据分析。实验结果显示，鉴别器模型的准确性约为50%。此外，提出了SemiPFL方案，支持边缘用户协作训练个性化模型，以应对数据异质性和有限注释。同时，介绍了CROP方法，旨在提高数据效率和泛化能力，并展示了其在分布式环境中的应用。

本文研究了大型语言模型（LLMs）的人格特质，探讨了如何通过自然语言处理和心理测量测试来评估和塑造这些特质。研究发现，LLMs展现出与人类相似的个性特征，并提出了基于专家混合的个性化模型P-tailor，以提高人格特征建模的效率。

该研究探讨了自动语音识别（ASR）系统在不同口音上的普适性，提出了无监督学习、微调技术和声学知识等方法以提高识别准确性和鲁棒性。研究表明，合成口音数据和个性化模型训练能显著提升对非标准语音的识别效果，尤其在不同口音情境下表现优异。

该研究提出了一种新型单目-3D虚拟试穿网络，结合2D和3D信息，构建高质量试穿模型。模型包括单目预测、深度细化和纹理融合模块，实验结果显示其效率和真实感优于其他3D方法。此外，研究还探讨了多视图虚拟试衣、个性化虚拟试穿模型及改进的扩散模型，均在生成真实虚拟试穿图像方面表现出色。

本文提出了一种新型的联邦学习算法，旨在解决分布式学习中的非凸问题并提升通信效率。该算法通过局部适应性和服务器端适应性在理论上保证收敛，并在不同数据分布下表现优异。同时，研究探讨了个性化模型生成和聚合策略，强调在保护隐私的同时提高模型性能的潜力。

本文介绍了多个视频生成和个性化模型的创新方法，如Direct-a-Video、MotionClone和DreamBooth3D。这些方法利用自监督学习和时间注意力机制，有效控制对象运动和相机移动，提升文本与视频的对齐效果，实现高质量个性化视频生成。实验结果显示，这些方法在运动保真度和时序一致性方面具有显著优势。

本文提出了一种新的联邦学习框架，旨在共享数据表示并优化个性化模型，特别适用于隐私保护的人脸识别。该方法通过分布式计算和低维参数更新，在异构数据环境中提升了模型性能并降低了计算成本。实验结果表明，该框架在多个场景下优于传统方法。

本文研究了针对老年人和运动障碍患者的自动语音识别（ASR）系统，采用微调和特征适应技术显著提高了识别准确性。实验结果显示，个性化模型的词错误率从62%降低至35%。此外，使用残差适配器和新型说话人自适应方法，进一步优化了ASR系统的性能，增强了低资源适应能力。

该研究提出了一种新型单目-3D虚拟试穿网络，结合2D和3D信息，构建高质量试穿模型。模型包括单目预测、深度细化和纹理融合模块，实验结果表明其效率和真实感优于其他方法。此外，研究还介绍了多视图虚拟试衣和个性化虚拟试穿模型，解决了服装褶皱和姿势变换等问题，显著提升了虚拟试穿效果。

本文探讨了基于预测理论的生存时间预测方法，强调其在独立同分布数据下的有效性。研究提出了新的自适应方法和个性化生存分布模型，解决了不均匀覆盖率问题，并在医疗领域具有实际应用价值。此外，介绍了改进的预测区间构建方法，结合了保形预测与经典分位数回归，确保有效覆盖率。

本文提出了一种高效的分散式和异步算法，满足强隐私要求，用于个性化模型的学习。算法保护个人数据集的信息披露，实验结果表明，在隐私约束下，可以显著改进独立学习中的模型。

本文介绍了微调技术，用于提高自动语音识别系统对非标准语音的识别准确性，特别是针对肌萎缩侧索硬化症患者的言语和带口音的言语。通过训练个性化模型，相对于标准语音，相对词错误率能提高62％和35％，仅五分钟的训练就能带来71％的提升。微调部分层的结果往往比微调整个模型更好，是构建肌无力性言语最先进的自动语音识别模型的第一步。

本文提出了一种高效的分散式和异步算法，用于个性化模型的学习，并满足强隐私要求。算法保护个人数据集的信息披露，实验结果表明，在隐私约束下，可以显著改进在独立学习中得到的模型。

该文介绍了一种学习自动驾驶车辆驾驶模型的框架，通过知识分享和个性化模型，实现多个车辆之间的协作，提高在真实世界中驾驶场景的暴露度。