本研究提出了一种新颖的联邦原型学习方法I²PFL，旨在解决联邦学习中的域偏移问题。该方法结合域内和域间原型，通过MixUp增强原型和重加权机制，提高模型的泛化能力，实验结果表明其性能优于其他基线方法。

本文介绍了一种深度前馈分离网络（SON）方法，能够有效分离生物图像中的个体对象并估计其形状。研究提出了ProtoPShare和ProtoTree等新方法，结合原型学习与决策树，提升模型的可解释性和准确性。此外，Phylo-Diffusion框架用于研究生物体的环境适应与演化，展现了在捕捉特征变异方面的优势。

本文介绍了MGProto，一种新型的原型分布生成学习方法，利用高斯混合模型提升表示能力并实现异常样本检测。实验结果表明，MGProto在分类和异常检测方面表现优异，且具备良好的可解释性。同时，文中提到多种无监督领域自适应方法，强调通过原型学习和对比学习提升特征表示的有效性。

本文介绍了多种基于原型的图像识别和自然语言处理方法，强调可解释性和异常样本检测的重要性。MGProto通过高斯混合模型提升分类性能，提出的自选模型和概念框架增强了模型的可解释性，解决了原型学习中的语义差距问题。

该文综述了对比学习在多领域的进展，涵盖概率表示对比学习（PRCL）用于语义分割、ProbMCL用于多标签分类、原型对比学习（PCL）编码语义结构、概率视频对比学习建模视频分布、语义感知双对比学习捕捉标签特征、双原型对比学习缩小域差异、伪对比学习生成可靠对、弱监督对比学习解决类冲突、半监督点云分割增强特征，以及PLReMix框架避免优化冲突。

该文综述了少样本分割与实例分割的多项研究，涵盖全向导网络、广义基准数据集GFS-Seg、上下文感知原型学习、自监督细胞核分割、集成少样本分类分割框架iFSL及ASNet、元学习医学图像分割、超像素伪标签方法、循环学习弱监督核分割，以及结合base learner提升泛化性能的新方法。

该文综述多种可解释视觉模型：ProtoTree结合原型学习与决策树；VT-CNN嵌入混淆语义提升分类；多阶段Vision Transformer用于细粒度分类；卷积二叉神经树、MPViT、Semi-ViT、CF-ViT分别改进细粒度识别、多尺度特征与计算效率；Conviformer用于植物图像分类。