本文提出了一种低秩偏好建模框架，以应对大型语言模型个性化挑战，提升模型适应性和用户体验。研究表明，该方法在多个数据集上对未见用户具有更好的泛化能力和偏好预测准确性。

本研究探讨了将婴儿学习方式融入人工智能模型，以提高社交预测任务的效率和泛化能力。研究表明，这种方法提升了学习准确性，减少了数据需求，并增强了模型对新数据和任务的适应性。

本研究提出了一种新方法，通过计算模型参数的元素重要性，解决大语言模型在领域特定任务调优时的灾难性遗忘问题。该方法显著减轻了遗忘现象，增强了模型适应性，速度提高约20倍，存储需求仅为10%-15%。

本研究提出了一种名为S6MOD的插件模块，旨在解决在线持续学习中的模型适应性不足问题。通过引入选择性状态空间模型的离散化混合方法和类别条件路由算法，S6MOD显著提升了模型的灵活性和性能。

本研究提出了一种对称的BoRA方法，解决了低秩适应中权重矩阵维度不对称的问题，从而优化了模型的适应性。实验结果表明，BoRA在多个基准测试中优于现有的微调方法。

本研究提出了一种统一的层次表示学习框架（UniHR），用于知识图谱的链接预测。该方法通过层次数据表示和学习模块，提升了模型对不同类型知识图谱的适应性，实验结果表明其在多个数据集上优于现有模型。

该研究提出了一种名为S$^3$-TTA的测试时间数据增强框架，提升了医学图像分割模型的性能。通过双提示模式结合视觉和文本提示，改进了肿瘤分割的准确性。同时，GraTa方法有效解决了领域偏移问题，优化了模型在不同测试数据上的适应性。

无监督领域自适应（UDA）通过将源数据集的知识转移到目标数据集，减少了对标记数据的需求。本文提出了一种结合视觉-语言模型的新方法，利用源数据和目标数据进行零样本预测，提升了模型的适应性。实验结果表明，该方法在多个基准测试集上超越了现有技术，验证了其有效性。

本文探讨了跨领域少样本学习中的视角行为识别问题，提出了多模态蒸馏和集成遮蔽推理的MM-CDFSL方法，显著提升了模型的适应性和推理速度。研究表明，该方法在多个数据集上优于现有技术，并通过动态蒸馏和特征提取等手段有效解决了领域差异和计算成本问题。

本文提出了一种领域感知提示学习（DAP）框架，通过低成本提示调整，提升视觉语言模型在无监督域自适应中的性能。实验结果表明，DAP在R2R和REVERIE任务上优于现有方法，并通过提示调试和特征库构建增强了模型的适应性和泛化能力。

本文介绍了一种名为Test-Time Self-Training（TeST）的技术，旨在提高模型在分布变化下的适应性。研究表明，TeST在目标检测和图像分割任务中表现优异，超越了现有的域自适应算法，并提出了多种检测算法以提升异常检测性能和模型鲁棒性。

该研究探讨了预训练语言模型在事实知识探测中的应用，提出了基于模型适应性的分类方案，并分析了知识保留和提示优化问题。研究讨论了采用语言模型作为知识库的障碍和未来研究方向。