本研究提出了一种新颖的多重图嵌入方法，结合层次维度嵌入与超球图神经网络，有效解决高维多重图的几何失真问题，显著提升下游任务的性能。

本研究提出了一种新的状态-动作轨迹嵌入方法，解决了现有轨迹编码在多任务间泛化能力不足的问题。该方法无需奖励标签，能够有效捕捉动态决策过程中的技能和能力，实验结果表明其在模仿、分类、聚类和回归等任务中表现优异。

本研究分析了时空图神经网络在长期交通预测中的适应性不足，提出了一种基于主成分分析的嵌入方法，以提高模型的灵活性和跨城市的零-shot预测能力。

本研究采用知识图谱嵌入方法，区分引用与不引用的文章对，展示其在识别文献引用关系中的优势，强调其在知识影响解读和结构分析中的重要性。

本研究针对视觉语言模型(VLMs)的对抗攻击脆弱性，构建了一个新的大规模对抗图像数据集（RADAR），并提出了一种基于嵌入的对抗图像检测方法（NEARSIDE）。该方法通过提取VLM隐藏状态中的单个向量，实现了有效的对抗图像检测，实验结果表明其有效性和跨模型的可迁移性。

本研究评估了多种上下文嵌入方法和预训练模型，以改善材料科学中的属性预测。结果显示，MatBERT模型在提取化合物名称和材料属性方面优于通用模型。研究指出，MatBERT的第三层嵌入结合上下文平均法是捕捉材料属性关系的最佳方法，强调了针对材料科学的训练重要性。

本文介绍了多种知识图谱嵌入方法，如双重教导方法DualDE、联邦知识图嵌入框架FedE和隐私保护学习框架FKGE。这些方法通过优化推理效率、保护数据隐私和提高模型表达能力，显著提升了性能。实验结果显示，这些新框架在链接预测和知识遗忘方面表现优异，推动了知识图谱技术的发展。

本研究探讨了大型语言模型（LLMs）在引导自动定理证明器（ATPs）推理策略中的能力。评估了GPT-4、GPT-3.5 Turbo和Gemini模型在特定问题上的表现，发现LLMs倾向于自下而上的推理过程，并在处理小型公式集时表现良好。此外，嵌入方法在处理更广泛的模态逻辑时优于原生模态逻辑ATP系统。

本文介绍了多种知识图谱嵌入方法的改进，如增量蒸馏、上下文感知动态嵌入和元知识学习。这些方法在有效性和效率上显著提升，实验结果表明在多个数据集上优于传统模型，有效解决了知识图谱中的稀疏性和遗忘问题。

本文介绍了一种上下文感知的动态知识图谱嵌入方法（DKGE），结合图卷积网络和门控策略，能够快速更新知识图谱嵌入。研究探讨了知识图谱完成的不同方法，强调了预训练语言模型与文本描述结合的新方法。实验结果表明，DKGE在动态环境中表现出良好的有效性和效率。

本文介绍了一种基于语义对齐的嵌入方法，结合多头注意力和特征聚合网络，实现了文本描述的行人图像搜索，并在多个数据集上取得最佳性能。研究提出了新的任务和框架，利用跨模态学习和生成检索方法，提升了图像与文本之间的匹配效率和准确性。

该文介绍了一种新的知识图谱嵌入方法，通过引入虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性。该方法在实体对齐和知识图谱完成任务上表现优于最新的现有方法。

本文总结了使用当今的语言模型（LLM）完成时间序列（TS）任务的两种策略：LLM-for-TS和TS-for-LLM。作者关注TS-for-LLM方法，通过设计适用于LLM的TS嵌入方法来激活LLM对TS数据的处理能力。实验证明，LLM可以处理TS数据而不损害其语言能力。