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。

本文探讨了学习支持外推的挑战，提出了一种新技术“时间上下文归一化”，显著提升了外推能力。研究表明，深度学习模型在处理不完整数据时具有更强的推广能力。提出的NeuralThink架构在对称和不对称任务中均优于传统方法。

本文提出三种新颖的图表示方法，利用图神经网络（GNN）学习领域无关的启发式。这些方法在处理更大问题时优于现有模型STRIPS-HGN，并有效应用于不同领域的自动规划。实验结果表明，生成的启发式算法在多个任务中具有较强的推广能力和效率。

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。