本研究提出了一种变化适配网络（CANet），旨在解决遥感图像变化检测方法的泛化性能差的问题。CANet结合了共享与特定学习模块，通过轻量级适配器有效应对数据差异，快速适应新任务。实验结果表明，其在多个数据集上表现优异。

本研究探讨了安全大型语言模型（LLMs）训练中的问题，指出拒绝训练方法在应对超出分布攻击时的局限性。提出通过推理监督引导模型利用潜在知识，以提高模型的泛化性能和安全性，实验结果表明该方法有效增强了模型的健壮性。

本研究探讨了深度学习优化中历史迭代对更新的影响，提出了一种新方法识别无记忆算法，并揭示了记忆对优化动态的隐性影响。研究表明，Lion算法缺乏AdamW的反正则化特性，理论上支持Lion算法具有更好的泛化性能。

本研究提出了一种主动的长尾发现过程，通过想象额外数据来解决预测模型部署后的挑战。研究表明，长尾引导生成的训练数据显著提升了图像分类的泛化性能，并有助于发现和解释模型中的概念差距。

本研究探讨了强化学习代理在高维观察中构建元表征的挑战，提出元表征学习能够提升任务的泛化性能，并假设深度互学习有助于代理收敛到元表征。实证结果支持了这一理论，为深度强化学习的泛化提供了新视角。

本研究提出了一种新颖的IKUN初始化方法，旨在改善脉冲神经网络（SNNs）的训练和泛化性能。IKUN通过方差稳定技术和替代梯度函数，显著加速收敛，训练准确率提高至95%，泛化准确率达到91%，训练效率提升50%。

本研究解决了高能物理中监督学习模型对蒙特卡罗模拟的依赖。通过四种白盒对抗攻击，分析方法降低了局部极小值的尖锐度，显著提升了模型的泛化能力，尽管计算复杂性有所增加。

本研究提出了一种新方法，通过引入中间层改善梯度传播，提升动态稀疏训练在大输出空间分类任务中的效率，恢复密集模型的泛化性能，实现高效训练。

该研究探讨了神经网络的泛化性能，提出了非欧几里得正则化和稀疏感应规范的几何解释，分析了卷积神经网络和高复杂度网络的训练，证明了泛化误差与网络结构的关系，并提出了新的泛化误差界限。此外，研究还探讨了信息论在优化中的应用，提出了改进的泛化理论，为深度学习提供了理论支持。

本研究提出了一种新黑箱优化算法SABO，通过重新参数化目标函数和更新参数化分布，提升模型泛化性能。理论分析证明了其收敛速率和泛化界限，实验结果验证了其有效性。

本文探讨了随机特征模型与核岭回归的关系，分析了有限RF取样的正则化效应及风险差异。研究表明，随机傅里叶核回归模型在特定条件下具有良好的处理能力，并提出了改进的非线性激活函数以提升模型的泛化性能。此外，还分析了机器学习模型在不同数据分布下的表现及其可靠性。

本研究提出SetPINNs方法，通过结合有限元方法和物理约束，解决传统物理信息神经网络在偏微分方程中忽略隐含依赖的问题。实验表明，SetPINNs在多个物理系统中具有更好的泛化性能和准确性。

本文介绍了一种名为Violina的新方法，用于识别线性时间不变非马尔可夫动态模型。该方法通过投影梯度下降优化模型参数，使其预测与多个数据集匹配。实验表明，Violina在识别此类系统时优于现有方法。

本文研究了神经网络的泛化性能和逼近能力，探讨了不同类型神经网络在非线性算子和多变量平滑目标函数学习中的应用，提出了新的学习算法和理论框架，并验证了深度神经网络在实际应用中的有效性及其逼近能力的限制。

本文介绍了一种新的神经网络压缩框架，利用简洁再参数化和噪声稳定性来估计神经网络的泛化性能。研究表明，模型压缩能够提升泛化能力，并提供新的泛化误差界限。通过低秩分解和互信息分析，提出了有效的压缩方法，并在多种网络和数据集上展示了其优越性。此外，研究还探讨了无标签学习和统计监督学习算法的泛化误差界限，提出了基于Loss Gradient Gaussian Width的泛化保证方法。

本研究提出了一种基于尖锐渐近分析的超参数选择策略，以解决高维稀疏回归中的超参数选择指导不足问题。研究表明，忽略某些信息源对泛化性能影响微小，从而简化了选择过程，并通过IMDb数据集验证了该方法的实际应用潜力。

本文探讨了多任务学习中的正则化方法，提出了一种通过共享特征和任务关系来优化学习效果的新框架。研究表明，该方法在有限标记数据下有效，提高了模型的准确性和泛化性能。实验结果验证了多任务学习在不同任务间共享信息的优势。

本文研究了大型语言模型在知识依赖任务中的知识冲突问题，提出了COIECD和CD2等方法以提高模型的泛化性能和鲁棒性。研究表明，检索增强和自适应解码能够有效解决知识冲突，提升模型在开放域问答中的表现。

本文探讨了自监督学习（SSL）在模型训练中的应用与评估，强调了SSL方法在标记和未标记数据上的表现差异。研究发现，SSL模型在训练领域内表现优越，而在领域外则相反。提出了SSLMem框架，揭示了数据记忆化对模型泛化性能的重要性，并评估了不同数据集上模型的表现。