本研究提出了一种新方法AdaWorld，旨在解决世界模型在新环境适应时对大量标签数据的依赖问题。实验结果表明，该方法在仿真质量和视觉规划方面表现优越，具有重要的应用潜力。

本研究提出了一种基于预训练Dino-ViT的无监督医学图像分割框架，有效解决了标签数据稀缺问题，显著提升了分割性能，超越了现有的半监督技术。

本研究提出两种传输融合框架，以解决量子机器学习中的标签数据稀缺问题。通过对齐目标领域与源领域的数据分布，利用量子信息注入通道有效预测标签，取得了先进的性能。