本研究提出了一种通过影响传播路径识别影响种子的方法，以解决时序社交网络中的冷启动问题。利用结构标记和张量化时序图网络，显著提高了预测准确性和计算效率，同时历史数据增强了冷启动节点的新邻居对网络扩展的积极影响。

本研究提出了USER-LLM R1框架，旨在解决社交机器人个性化交互的冷启动问题。该框架通过动态用户分析和模型初始化，结合推理模型与视觉-语言模型，实现个性化响应，显著提升老年用户的参与度和信任度。

本研究提出了一种基于扩散模型的认知状态迁移框架（DCSR），旨在解决计算机自适应测试中的冷启动问题。该方法通过建立领域间的认知状态转移桥梁，显著改善了对考生能力的初步理解，实验结果表明其性能优于现有方法。

研究探讨在自动驾驶中通过轨迹和动态状态信息进行高效数据筛选的方法。通过轨迹状态聚类和采样，降低注释和数据成本，同时保持模型性能。使用nuScenes数据集验证该方法在轨迹预测任务中的有效性，尤其在数据池较小时表现出色。结果显示，初期采样典型数据有助于解决“冷启动问题”，而随着数据池增大，引入新颖性更有益。该策略提升了自动驾驶系统的效率和稳健性。

MeKB-Rec是一种新的跨领域推荐范式，通过引入个人知识图谱解决了新用户的冷启动问题。该方法在公共CDR数据集上取得了显著的性能提升。

本文介绍了Serverless计算的冷启动问题及解决方案，包括加快实例启动速度和降低冷启动发生率。近年来在计算机系统领域已有相关工作，改善Serverless函数性能是当前的主要挑战之一。