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%。

本研究提出了一种基于残差特征对齐的机器遗忘方法，通过低秩自适应技术调整预训练模型，成功删除指定数据而不影响模型性能。实验证明该方法在多个数据集上有效，旨在保护用户隐私和处理过时数据。

本文提出了广义领域提示学习（GDPL）框架，旨在通过小规模特定领域模型和最少提示样本，提升视觉语言模型（VLMs）的识别能力，解决构建特定领域VLMs时的数据和资源限制。GDPL通过四元网络和低秩自适应方法，展示了在多个领域的有效性，推动了可持续的VLMs研究。

本研究探讨了在合成孔径雷达（SAR）领域中，扩散模型（DDPM）在图像生成方面的优势，显示其在质量和效果上优于传统的生成对抗网络（GAN）。同时，提出了新算法S2O-TDN和低秩自适应方法2LoRA，显著提升了SAR图像生成和分类效果。