本研究提出了一种新框架，使开放词汇物体检测模型能够在开放世界中识别和学习新物体。该方法通过开放世界嵌入学习和多尺度对比锚学习，在物体检测和自动驾驶基准测试中表现优异，具有重要应用潜力。

本文研究了嵌入学习在认知记忆中的应用，提出了一种新的神经知识库嵌入框架，强调符号知识的学习过程。通过神经网络和激活条件推断，解决了表述问题，并引入了弱遗忘算子和新的评估框架，推动了知识图谱嵌入方法的发展。

本文提出了一种新的多模态多语言嵌入学习方法，旨在匹配图像与相关标题。通过调整词嵌入对齐和结合现有目标函数，提升了文本-图像检索和标题相似性任务的性能。此外，研究引入了机器翻译和新预训练任务，显著提高了多语言图像文本检索的效果，验证了该方法在低资源语言和跨语言检索中的有效性。

VideoDreamer框架通过预训练的稳定扩散和时间交叉帧注意力生成多主题视频，并提出了CustomVideo框架以保持身份特征。研究引入了MultiStudioBench基准集，展示了在多主题生成中的优越性。DisenBooth框架改善了嵌入学习，DreamVideo则从静态图像生成个性化视频。整体上，研究在视频生成领域取得了显著进展。

本文介绍了一种新的联邦学习框架FedLU，旨在解决异构知识图谱嵌入学习中的遗忘问题。FedLU通过知识蒸馏和认知神经科学的方法，有效应对数据异质性带来的优化挑战。实验结果表明，FedLU在链接预测和知识遗忘方面表现优异，且不依赖客户端数据，具有广泛的应用潜力。

本文研究了人工智能与人类文本的混合检测问题，提出了一种基于嵌入学习的两步检测方法，实验证明其优于传统方法。研究探讨了AI生成文本与人类文本的差异，提出通过语法和语义特征进行区分的框架，并指出AI文本在质量和风格上的不足，为提高AI文本生成质量及相关伦理问题提供了指导。