本研究提出了一种名为Hindered Transformer (HiT)的新架构，旨在解决视觉变换器在图像分类中的可解释性问题。该方法通过重新设计变换器，将补丁影响解析为补丁级别信息的线性组合，展现出良好的可解释性与性能平衡。

本研究提出TrimLLM方法，通过逐层丢弃减少大语言模型的深度，提升推理速度，最高可达5.7倍，同时在60%模型压缩比下保持准确性，解决了性能、延迟与隐私的平衡问题。

本研究提出了一种基于$f$-散度最小化的锐度感知优化方法（DiM），旨在解决半监督医学图像分割中模型对数据集分布差异的忽视问题，从而增强模型的稳定性与适应性，提升源数据集与目标数据集的性能平衡。

本研究提出了BitStack，一种无训练的权重压缩方案，旨在解决大语言模型在本地设备上的内存限制问题。该方法动态调整模型大小，实现内存使用与性能的平衡，实验结果显示在极端压缩比下仍能超越现有基准。

该研究提出了SG-ZSL范式，解决了数据隐私和模型版权问题。通过教师模型、学生模型和生成器的协作，实现了高效训练和性能平衡。在ZSL和GZSL任务中表现优越，具有鲁棒性和效率。