本研究提出了一种低秩自适应结构先验（LoASP）方法，旨在解决糖尿病性视网膜病分级中的领域泛化问题，提升模型在不同数据源上的表现，并增强可解释性，为诊断提供新思路。

本研究提出了SOLIDO方法，利用低秩自适应技术解决语音生成模型的安全性问题，特别是模型侵权和内容滥用。该方法能够对可变长度输入进行精确水印提取，实验结果显示提取准确率最高可达99.20%。

本研究提出了一种新方法——残差特征对齐遗忘，旨在解决机器遗忘在保护用户隐私和删除过时数据方面的挑战。该方法通过低秩自适应技术调整预训练模型特征，既保持模型效用，又能有效删除指定数据。实验结果验证了其在多个数据集上的有效性。