本研究提出了一种多大型语言模型协作生成框架（MLBCAP），旨在解决科学图表说明生成中的信息不完整问题。该框架通过多模块处理，提高训练数据质量，生成多样化的候选说明，并最终选出最佳说明。实验结果表明，该方法优于人工撰写的说明。

该研究提出了一种基于马尔可夫过程的图卷积网络架构，旨在解决知识图谱中实体类属信息不完整的问题，从而显著提升实体分类的效率和准确性。

Visual Attention-Prompted Prediction and Learning框架通过引入视觉关注提示来改善模型决策，解决信息不完整的问题。该框架采用扰动关注图的修改和优化聚合方法，提升了无关注提示样本的预测能力。实验结果验证了其有效性。