本研究评估了电子商务中图像嵌入的基础模型，发现全面微调模型表现优异，而文本-图像和自监督嵌入在较少训练下也能达到相似效果。顶层微调被证实为降低计算成本的有效替代方案，为嵌入选择和微调策略提供了实用指导。

本文提出了一种新方法，通过优化图像嵌入，改善基础医学分割模型在特定病变上的表现。实验结果显示，该方法在三个数据集上提升了约3%的Dice得分，同时计算复杂度减少了7倍，具有重要的应用潜力。

本研究提出了一种高效的医疗图像分类方法，利用预训练模型生成图像嵌入，并应用简单的线性分类器，显著提高分类性能，最大提升达到87%。该方法减少了计算资源需求，为医疗影像分析提供了更优方案。

本文研究了跨域少样本分类中原型与图像嵌入的差距，指出现有方法的等同变换限制了优化。提出了对比原型-图像自适应（CoPA）方法，通过不同变换缩小差距，在Meta-Dataset上效果显著。

本研究探讨了在曲线里曼尼流形中提高图像嵌入表现的方法，实验结果表明新模型在保留全局地理信息和网络分析方面优于传统嵌入。研究还展示了动态边缘曲率和Ricci流等方法在数据挖掘中的应用潜力。

本研究利用独立分量分析技术揭示了单词和图像嵌入的规律，发现语义轴在不同语言和算法中一致存在，从而提高了模型的可解释性并促进了模型压缩。同时，研究提出了Axis Tour新方法以优化词嵌入空间，增强低维嵌入的构建效果。

本研究提出了一种增强多模式大型语言模型可解释性的方法，结合图像嵌入和开放世界定位模型，改善文本与物体定位输出。通过特征混合方法提升视觉能力，构建了多模态几何数据集Geo170K，并在多个基准测试中展示了显著的性能提升，强调了多模态理解的重要性和应用潜力。