本文提出了一种新颖的傅里叶切片-瓦瑟斯坦嵌入方法，能够有效地将多重集嵌入欧几里得空间，保持切片瓦瑟斯坦距离，从而改善多重集的表示效果并提升学习任务的表现。

本研究提出了一种新方法，解决神经标记时间点中的学习任务冲突梯度问题，通过将模型视为双任务学习，显著提升了多个数据集的性能。

本研究提出了一种高效的经典误差修正算法，解决了在噪声条件下验证量子学习优势的问题。该算法通过少量噪声样本重建无噪声结果，证明了在噪声环境中有效完成学习任务的可行性。

本研究探讨了具身智能体如何通过丰富的语言输入提升学习任务效果，发现多样化的语言反馈显著增强了代理的泛化能力和适应新任务的速度。

本研究提出了维度降低知识蒸馏（RdimKD）范式，通过投影矩阵将大网络和小网络的特征图投影到低维子空间，以优化学生网络的训练过程。实证研究表明RdimKD在各种学习任务和不同网络架构中都有效。