本研究提出了Think-J方法，旨在提升生成式语言模型（LLMs）在评判生成响应方面的能力。该方法结合有限数据和强化学习，显著提高了评估能力，超越了现有评判方法，无需额外人类注释。

本研究提出了一种新框架，能够有效检测深度学习中的后门攻击，尤其在数据有限的情况下。该框架通过推理搜索生成候选触发器，优化攻击成功率，成功识别多种模型和数据集中的后门攻击，表现接近完美。

本研究提出了一种新的基于潜在扩散模型的框架，用于在有限数据下生成眼底荧光血管造影（FFA）图像。通过优化微调协议，提升了生成能力，成功应对不同模态和疾病类型的挑战，促进眼科诊断和患者护理。

本研究提出了一种新的聚合与适应提示嵌入（AAPE），旨在解决CLIP模型在特定领域分类中的泛化能力不足问题，能够在有限数据下有效适应下游任务。

本文提出了一种自适应判别器增广机制，旨在稳定有限数据下生成对抗网络（GAN）的训练。该方法无需改变损失函数或网络架构，能够在少量训练图像下取得与StyleGAN2相当的效果，显著提高数据效率。此外，研究展示了多种改进的GAN方法，包括条件GAN和音频生成模型，均在有限数据情境下取得优越结果。

本文介绍了一种基于有限数据的稳健因果发现算法$k$-PC，实验结果表明其在小样本环境中优于传统的PC算法。研究涉及贝叶斯网络、隐变量图模型及概率图模型，并提出了有效的学习和推断方法，适用于数据分析和决策支持。

本文介绍了风险距离的概念，用于量化监督学习问题中的采样偏差、噪声、有限数据和近似等问题的严重性。通过建立距离，探索了监督学习问题空间的几何特征，并提供了两个 Risk 距离的变种。

GENTLE是一种新算法，用于解决有限数据条件下学习可推广任务表征的问题。它利用Task Auto-Encoder来捕捉任务模型的生成结构，并通过构造伪转换来缓解行为多样性有限的影响。实证结果表明，GENTLE方法在分布内和分布外任务上明显优于现有的离线元强化学习方法。