本研究提出了一种新颖的提示超图神经网络（PHGNN），用于阿尔茨海默病（AD）诊断和轻度认知障碍（MCI）转归预测。该框架结合超图学习与提示学习，有效处理数据异质性和缺失问题，实验结果表明其性能优于现有方法。

本研究提出了AutoCas模型，旨在解决社交计算中信息级联流行度预测的挑战。通过自回归建模和提示学习，AutoCas在流行度预测上显著优于基线模型，且具有良好的可扩展性。

本研究提出了新系统RAPID，旨在解决多媒体内容中的文本视频事件检索问题。通过结合大语言模型和提示学习，RAPID有效增强了查询上下文，提高了检索的准确性，尤其在处理上下文不完整的查询时表现突出。

本研究通过引入TextRefiner，解决了视觉语言模型在提示学习中的粗粒度问题，提升了文本提示的精细化，从而显著提高了基准测试表现。

本研究提出了一种知识引导的提示学习方法（KP-PCR），旨在提升代码审查请求的质量，关注开发者需求。实验结果表明，该方法在请求预测和标签推荐方面优于现有技术，具有重要的应用潜力。

本研究提出了一种属性树提示学习方法，通过生成“概念-属性-描述”的结构化知识树，解决视觉-语言模型在提示学习中未充分利用类别名称上下文的问题。该方法引入视觉和文本提示，显著提升了零样本泛化、跨数据集迁移和少样本分类的性能。

本研究通过提示学习解决多模态模型在缺失模态时的性能下降问题。将缺失模态视为不同输入类型，利用提示优化设计。实验表明，该方法在多种缺失模态情况下表现优异。

提出了一种高效的三维人脸编辑框架，利用属性特定的提示学习。通过可学习的样式令牌和样式映射器，结合预训练的视觉语言模型，实现文本导向的属性编辑。该方法在保持身份和姿势一致性的同时，生成高质量的三维图像。

本文介绍了PromptCS，一种用于代码摘要的新型提示学习框架。通过训练提示代理生成连续提示，PromptCS提升了大语言模型的理解能力。在CodeSearchNet数据集上的评估显示，PromptCS优于传统方法，尤其在大模型如CodeGen-Multi-2B和StarCoderBase上效果显著。其训练效率更高，生成的摘要质量也更好。

我们提出了一种名为PLDG的新型无标签领域通用化框架，通过无监督领域发现和提示学习，实现了对医学图像分类的领域通用化。在三个医学图像分类任务和一个去偏任务上进行了广泛实验，证明了我们的方法在不依赖领域标签的情况下实现了与传统DG算法相媲美甚至更好的性能。

本文研究了无监督域自适应的视觉语言模型，通过提示学习和分布对齐方法，减小了源域和目标域之间的分布差异，提高了模型性能。实验证明该方法在三个基准测试上达到了最先进的性能。

我们提出了一种名为PLDG的新型无标签领域通用化框架，通过无监督领域发现和提示学习，实现了对医学图像分类的领域通用化。在三个医学图像分类任务和一个去偏任务上进行了广泛实验，证明了我们的方法在不依赖领域标签的情况下实现了与传统DG算法相媲美甚至更好的性能。

本文研究了无监督域自适应的视觉语言模型，通过提示学习和分布对齐方法，减小了源域和目标域之间的分布差异，提高了模型性能。实验证明该方法在三个基准测试上达到了最先进的性能。

我们提出了一种名为PLDG的新型无标签领域通用化框架，通过无监督领域发现和提示学习实现了医学图像分类的领域通用化。在多个医学图像分类任务和去偏任务上进行了实验，证明了我们的方法在不依赖领域标签的情况下具有与传统DG算法相媲美甚至更好的性能。

我们提出了一种名为PLDG的新型无标签领域通用化框架，通过无监督领域发现和提示学习，实现了对医学图像分类的领域通用化。实验结果表明，该方法在不依赖领域标签的情况下具有与传统DG算法相媲美甚至更好的性能。