该研究提出了一种新的两阶段变换器模型——逻辑知识超图变换器（LKHGT），旨在解决复杂查询回答中的知识图谱表示不足问题。LKHGT通过引入类型感知偏置（TAB），在处理复杂逻辑操作方面表现优异，实验结果显示其具有良好的推广能力。

该研究提出了一种基于学习的搜索空间减少方法，解决了现有神经组合优化方法在大规模问题上的推广能力不足。通过动态选择有前景的候选节点，显著降低搜索空间，同时保持解决方案质量。实验表明，该方法在100节点实例上训练后，成功推广至100万节点的旅行商问题及其他车辆路径问题。

本文提出实例感知图提示学习（IA-GPL），旨在为不同输入实例生成个性化提示。实验结果表明，IA-GPL在多种数据集上优于现有基线，展现出更强的性能和推广能力。

大型语言模型在图推理问题上有潜力，但在真实任务中推广能力有限。NLGift基准测试显示，LLMs在简单模式上表现不错，但复杂推理和真实任务中仍有困难。研究发现后训练对齐对真实任务最有效，但超越模式记忆仍是挑战。

大型语言模型在图推理问题上有潜力，但在真实任务中推广能力有限。NLGift基准测试显示，LLMs在简单模式上表现不错，但在复杂推理和真实任务中有困难。研究发现，后训练对齐对真实任务最有效，但超越模式记忆仍具挑战。

本研究将图像学习的数据增强技术应用于WiFi CSI，以提高人类活动识别模型在不同场景和系统下的推广能力。实验结果显示，特定的数据增强技术组合可以显著提高模型的推广能力。

通过从YouTube中提取的数据集评估了最先进的人类化身创作方法，并展示了规模化数据提供的潜在推广能力。

本研究将图像学习的数据增强技术应用于WiFi CSI，提高人类活动识别模型在不同场景和系统中的推广能力。实验结果显示特定的数据增强技术组合能显著提高模型的推广能力。

该文介绍了一种置信度感知的双向离线模型想象算法，通过扩充离线数据集来增强在线学习的推广能力。实验结果表明，该算法显著提高了现有模型无关的线下 RL 算法的性能，并与基线方法相比获得了竞争性或更好的得分。