本研究提出了一种新型SVR方法，能够在运动干扰下快速、准确地重建低分辨率MRI图像，显著提升重建质量并减少50%的重建时间。

本研究提出了一种创新方法，解决零样本和少样本视觉异常分割问题。通过统一异常分割与变化分割，并引入软特征对齐模块，MetaUAS能够仅凭一张正常图像精准分割未见的视觉异常，显著提升分割性能，无需依赖语言模型和特定数据集。

该研究解决了现有少量知识图谱补全方法忽视知识图谱丰富语义的难题。论文提出了一种新的提示元学习框架，通过引入元语义提示池和可学习融合提示，结合元语义和关系信息，从而提高对稀有和新出现关系的知识转移与适应能力。实验结果表明，所提方法在多个基准数据集上表现出色，具有显著的应用潜力。

本研究针对梯度优化在元学习中的应用，特别是通过二层优化过程导致的高计算成本问题，提出了一种名为混流元梯度（MixFlow-MG）的新算法。该算法利用混合模式微分构建更高效的计算图，实现了超过10倍的内存节省和最多25%的时间提高，从而显著提升了元学习任务的可扩展性和性能。

该研究解决了旋转机械剩余使用寿命（RUL）预测中目标领域数据稀缺和降解动态不明确的问题。通过开发一种基于元学习和知识发现的物理信息神经网络（MKDPINN），该方法将噪声传感器数据映射到低维隐状态空间，并通过物理引导调节器学习未知的非线性偏微分方程，从而有效集成了数据驱动和基于物理的方法。实验表明，MKDPINN在数据稀缺条件下的泛化和准确性上超越了基线方法，证明了其在RUL预测中的有效性。

本研究针对现有跨工作负载设计空间探索（DSE）方法在过拟合、数据模糊性及工作负载差异性方面的挑战，提出了一种新的少样本元学习框架MetaDSE。通过这种框架，MetaDSE能快速适应新目标工作负载，显著提高DSE的效率，并在SPEC CPU 2017的实验中将预测误差降低了44.3%。

本研究系统评估了现有的算法选择和参数化方法，提供了400万个模型的知识基准，比较了8种分类算法在400个数据集上的表现，推动了自动机器学习的发展。

本研究探讨了图链接预测模型在对抗性攻击下的脆弱性，特别是变分图自编码器（VGAE）的防御不足。通过元学习技术提出了一种非加权图攻击方法，实验结果表明该方法显著降低了VGAE的预测性能，强调了模型鲁棒性的重要性。

本研究提出FedMetaNAS框架，解决联邦学习中用户数据不均匀分布的问题，结合元学习与神经架构搜索，显著提升精度并加速搜索过程超过50%。

本研究提出了一种新型元学习方法，旨在提升大型语言模型在新组合场景下的泛化能力。通过引入SYGAR数据集，实验结果表明基于变换器的模型在几何变换任务中表现优异，验证了元学习在非语言任务中的有效性。

本文提出了一个统一框架，将几何流与深度学习结合，解决关键问题。引入热力学耦合的Ricci流，动态适应参数空间几何，保持等距知识嵌入。通过曲率爆炸分析，推导显式相变阈值与学习速率，实现自动奇点解析。实验结果表明，该方法在收敛速度和拓扑简化方面优于Riemannian基线，展示了几何深度学习的进展。

本研究解决了以往层级量化方法未能有效利用重要词元的问题，提出了一种新方法RSQ，通过优先学习重要词元的信息以提高量化模型的性能。实验证明，RSQ在多个下游任务和三种模型家族上均优于基线方法，特别是在长上下文任务中的表现尤为突出，显示了其广泛的适用性和潜在影响。

该研究提出了一种结合迁移学习与元学习的少样本文本分类模型，有效解决了标注数据获取困难的问题。实验结果表明，该模型在少样本和中等样本条件下的性能优于传统方法，具有实际应用潜力。

本研究提出了一种基于影响函数的数据归因评估框架，旨在解决元学习在少样本学习中的训练数据问题，从而提高训练效率和可扩展性。

本研究分析了数据集属性对超大模型性能的影响，发现数据集的多样性与视觉模型的准确性显著正相关，强调了理解数据集在构建强大模型中的重要性。

本研究解决了在黑箱系统识别中快速适应神经状态空间模型（NSSMs）的问题，并引入特定领域的物理约束以提高NSSM的准确性。该方法通过利用多种源系统的数据，允许在目标数据有限的情况下进行学习，最终在室内定位和能源系统的状态估计中展现出更优的下游性能。

本研究解决了跨用户和场景训练模型泛化能力不足的问题，提出了一种名为TACO的变压器基础对比元学习新方法。通过在训练中合成虚拟目标领域并考虑模型的可泛化性，TACO显著提高了表示学习能力，并在各种低资源分布移位场景中表现优异。

本研究解决了模仿学习中对大量专家示范的依赖问题。通过提出一种新的方法ILMAR，该方法利用限量的专家示范和补充示范，创新性地集成并优化补充示范的信息。实验表明，ILMAR在处理次优示范方面显著优于以往方法，具有重要的实际应用潜力。

本研究提出了联邦元学习框架FedMetaMed，旨在解决分布式医疗系统中患者数据异构性对个性化药物开发的影响，从而提升模型性能。