本研究提出了一种新框架，解决机器人在与人类互动时缺乏视觉视角转换能力的问题，并引入合成数据集以支持空间推理任务的监督学习。

本研究提出了一种新方法，通过模拟真实用户交互生成合成数据集，以提升数字媒体平台个性化推荐的准确性，为未来的对话式人工智能推荐系统奠定基础。

本文探讨了假设生成的关键问题，提出了HypoBench基准以评估大语言模型的假设生成能力。研究发现，现有方法能够识别有效模式，但在合成数据集上的表现仍需改进，为人工智能在科学发现中的应用提供了资源。

本研究提出了一种基于公式的监督学习框架（FDSL），旨在解决环境声音分析模型预训练中高质量标记数据不足的问题。通过使用合成数据集Formula-SED进行预训练，显著提升了模型的准确性和训练速度。

本研究探讨了机制可解释性在简单电路与大型模型特征发现中的差距，提出TinySQL数据集作为测试平台，揭示可解释性方法的潜力与局限性，并改进合成数据集设计。

本研究提出DCScore方法，旨在解决合成数据集的多样性测量问题，并评估样本间的关系。结果表明，DCScore与多样性伪真值关联性强，且计算成本显著降低。

本研究通过创建基于偏微分方程的合成数据集，解决时空图机器学习中的数据稀缺问题。这些数据集可用于模拟流行病学、气溶胶和海啸等灾害，且在流行病学数据集上的预训练能提升模型在真实数据上的表现。

本研究生成了高保真度的洪水环境合成数据集MultiFloodSynth，以解决洪水危害检测系统的数据不足问题。实验结果表明，该数据集在现实性上与真实数据集相当，显著提升了检测性能。

本研究提出了一种大型合成数据集和动态视觉标记压缩架构，旨在解决视频分析中的数据集不足和处理效率低的问题。该方法在多个视频任务上取得了先进的结果，并为多图像理解建立了新基准。

本研究探讨了大型语言模型在非目标使用中的挑战，提出了一种新的防护措施开发方法。通过构建合成数据集和多样化提示，提升了防护措施的有效性，结果显示新方法优于传统方法，并开源了相关数据集和模型，以支持未来研究。

我们提出了一种方法，通过文本到图像模型控制物体的材质属性，如粗糙度和透明度。通过生成合成数据集并微调预训练模型，我们可以在编辑真实图像材质的同时保留其他属性。这一方法在材质编辑和反射函数中有应用潜力。

本研究提出了一种名为StyleDistance的新方法，解决样式训练中的内容泄漏问题。通过大型语言模型生成合成数据集，增强样式嵌入的内容独立性。实验表明，StyleDistance在真实测试中表现更佳，并在下游应用中优于现有方法。

本研究提出了一种定向权重调整方法，解决数据集蒸馏中的多样性问题。实验表明，该方法在多个数据集上表现优异，生成多样且具代表性的合成数据集，并降低计算开销。

本研究提出了一种新方法，通过大规模合成数据集和扩散先验，解决单视角三维头发重建中的发型多样性问题，能够有效重建复杂发型，并在真实图像上表现良好。