本研究提出了一种广义标签偏移（GLS）方法，以解决跨域视线估计中的领域偏移问题。通过重要性重加权策略，实验结果表明该方法在不同模型上具有良好的泛化能力。

本研究针对多变量时间序列分类中的领域适应问题，提出了一种新的相关性偏移概念，以量化不同领域中的多变量相关性差异。通过设计CATS算法，该算法有效地对目标领域的相关性进行了再加权，以与源领域的相关性对齐，同时具备良好的扩展性和参数效率，实验结果表明其显著提升了分类性能。

白帽黑客TinyHack通过租赁GPU算力，历时约20天成功破解Akira勒索软件加密的Linux/ESXi系统数据，成本为1200美元。该勒索软件存在加密缺陷，TinyHack利用暴力破解和漏洞发现恢复了数据。

本研究解决了无典范类增量学习（EFCIL）中知识遗忘和语义偏移的挑战。提出的双重投影偏移估计与分类器重构（DPCR）方法，通过结合可学习的变换和行空间投影，成功估计了语义偏移，并通过岭回归重构分类器训练，显著改善了分类器的决策偏差。实验结果表明，DPCR在多种数据集上有效平衡了旧任务与新任务的关系，超越了当前最先进的EFCIL方法。

本研究提出NodeReg方法，通过范数一致性减轻半监督节点分类中的不平衡和分布偏移影响，提升了图神经网络（GNN）的泛化能力和分类性能。实验结果表明，NodeReg在这些情况下优于现有基线。

本研究解决了航天器会合和对接任务中的约束执行问题，提出了一种基于时间偏移控制器（TSG）的控制方案。该方法通过集成LSTM神经网络生成目标轨迹，有效地将时间偏移减少至零，从而确保会合时约束被执行。模拟结果表明，该控制方案显著提高了计算效率并成功完成航天器会合任务。

本研究解决了城市流量预测中的分布偏移问题，暴露了现有空间-时间图神经网络模型的弱点。提出了一种新颖的记忆增强不变提示学习框架，通过可学习的记忆库存储因果特征，适应性地提取不变和变异提示，最终显著提高了对OOD数据的预测鲁棒性。

本研究解决了无监督领域适应(UDA)中存在的大协变量偏移问题，现有方法在处理源数据和目标数据之间的显著差异时效果不佳。通过提出两个阶段的领域不变表征学习方法，论文展示了如何在源数据和中间数据、以及中间数据和目标数据之间同时学习领域不变特征，从而有效提高分类性能和任务可辨别性。实验结果表明，所提方法在多个代表性机器学习分类数据集上的表现优于以往的UDA技术。

本研究解决了行星科学中GPR数据处理的手动调优及模糊输出问题，提出了一种基于深度学习的自动化处理和解释方案。通过数值案例研究，展示了深度学习在重建地介质分布和填补缺失或低质量数据方面的潜力，推动了未来数据驱动处理流程的发展。

本文探讨了无监督领域适应方法在前列腺癌Gleason分数分类中的应用，强调了基础模型在医学图像分割中的重要性。研究表明，病理数据的预训练能显著提升模型性能，DINO算法表现尤为突出。通过深度学习和自监督学习，构建了高效的特征提取器和Gleason评分系统，推动了计算病理学的发展，同时基准测试了多种模型，强调数据多样性对性能提升的重要性。

本文介绍了一种基于对抗生成模型的模仿学习算法，能够通过无监督学习推断专家示范中的潜在结构，特别适用于自动驾驶领域。该算法能够准确复现人类驾驶行为，并通过课程学习扩展GAIL，以解决多主体驾驶中的挑战。此外，研究提出了新的世界建模方法和高效的生成模型模拟器，显著提升了自动驾驶系统的性能和安全性。

该研究提出了多种神经隐式表面重建方法，利用几何一致性和多视角约束，显著提升室内场景的重建质量。通过引入不确定性建模和深度先验技术，解决了纹理缺乏的问题，实验结果表明其在3D重建中表现优越。

本文探讨了基于数据驱动的离散时间随机动态系统的可达性分析，提出了一种量化推荐内容到达用户的概率上限的方法，适用于复杂动态系统的学习增强控制。研究还涉及神经网络在随机系统中的应用及优化算法在约束动态系统中的表现，以及通过学习密度分布进行安全路径规划的有效性。

本文探讨在线自适应卫星图像分割中的分布偏移问题，提出了一种通过全局统计和类别中心修正的方法，以应对图像退化引起的偏移。此外，研究分析了测试时间自适应（TTA）在不同场景中的应用，优化了模型性能，解决了动态环境中的挑战，并提供了有效的评估基准。

本文提出了一种基于视觉域提示的连续测试时间适应方法，以应对未标记目标域的变化。该方法结合域特定和域不可知提示，以及一致性策略，显著提升了模型在多个基准测试中的性能。此外，研究探讨了使用视觉变换器进行模型微调的有效性，并提出了领域知识提取和适应的新策略，展示了在不同数据集上的优越表现。