本研究提出双头优化（DHO）框架，旨在解决资源有限环境中视觉语言模型（VLMs）的计算复杂性和训练成本问题。DHO通过独立学习标记数据和教师预测，显著提升特征学习效率，并在多个领域和数据集上超越传统基线。

本研究提出了一种多视角视觉提示调优网络（MVPT-NET），旨在提升乳腺X光照片中乳腺癌的检测能力。该方法基于单视图模型，创新性地适应多视图特征学习，实现高效调优，并在多机构数据集上取得了优异的检测效果。

本研究提出了一种新的半监督分割框架HDC，旨在解决胎儿超声图像中颈部结构的精确分割问题。该方法通过层次蒸馏机制和一致性学习，在低对比度和模糊边界条件下有效提升特征学习。实验结果表明，HDC在超声数据集上的表现优于现有模型，且计算开销更低。

本研究提出了一种基于小波的双分支网络，旨在提高多视角糖尿病视网膜病变检测的效果。通过交叉视图融合模块，减少信息冗余，显著提升了对局部病变特征及其全局依赖关系的学习能力。实验结果表明，该方法在大规模公共数据集上表现优异。

本研究提出了解析子空间路由（ASR）方法，以解决大语言模型在连续微调中出现的知识衰减问题。该方法有效地隔离特征学习，兼顾新旧知识，实验结果表明显著改善了现有方法的局限性。

本研究提出了一种通用方法，通过非线性特征学习和跨层特征聚合，检测大型语言模型（LLM）内部知识的准确性和可用性。结果表明，该方法在识别虚假信息和不实内容方面表现优异，并能有效引导模型输出新概念。

本研究提出了一种针对B模式超声图像的对比自监督学习方法，通过关系对比损失函数（RCL）提升特征学习。结果表明，该方法在乳腺超声数据集上显著优于传统监督分割，尤其在数据有限时展现出更强的泛化能力。

本研究提出Q-ASC系统，通过量子理念提升物联网声景分类的特征学习和抗噪能力，显著提高分类准确率，展示智能声感应用的潜力。

本研究评估了多种特征学习和预测方法，以提高小型和中型出版商学术文献的元数据提取效率和准确性。结果表明，不同方法在提取效果上存在显著差异，为未来研究提供了指导。

本研究提出了一种新颖的可视化解释方法UniCAM，旨在解决知识蒸馏中教师与学生之间知识转移的不透明性。实验结果表明，学生模型在教师的指导下能够更有效地学习相关特征。

本文介绍了一种新的卷积神经网络——预定义滤波卷积神经网络（PFCNN），其卷积核在训练过程中保持不变。尽管存在这一限制，PFCNN仍能有效学习复杂特征，为深度卷积神经网络的信息处理提供新的视角。

本研究探讨了预训练视觉变换器（ViT）对下游任务性能的影响，发现预训练特征并非必要。通过注意力转移，学生模型能够从零开始学习高质量特征，表现出良好的性能，为理解预训练提供了新的视角。

本研究提出了一种针对复合材料的基础模型，通过短纤维复合材料数据集进行预训练，学习稳健特征。结果表明，即使在有限数据下也能有效预测均匀化刚度，R2得分高达0.959，为材料科学提供了新视角。

本研究探讨了多模态与单模态对比学习的理论差异，揭示信号与噪声比对泛化能力的影响，表明多模态学习显著提升特征学习效果，实证实验验证了这一发现。

本研究利用随机矩阵分析探讨全连接两层神经网络的特征学习及其与泛化能力的关系，揭示特征谱的渐进性质。结果显示，在最大学习率下，特征学习显著提升了泛化能力。

本研究提出CPE-Pro深度学习模型，用于区分蛋白质结构的实验解析与计算预测。该模型在结构表示和特征学习上优于传统方法，对生物研究有重要影响。

研究表明，隐藏层模型分为核心相和特征学习相，分析了超参数如宽度和学习率对特征学习的影响。通过对齐、失对齐和重新缩放机制，揭示了特征学习的三种方式。核心相中这些机制不存在，解释了大初始化导致性能下降的原因。实验验证这些发现适用于真实任务的非线性网络。

MAS-SAM是一种用于海洋动物分割的特征学习框架。它将适配器整合到SAM编码器中，并使用金字塔解码器结合注意模块，提取丰富的海洋信息和细节。在四个公共MAS数据集上的实验表明，MAS-SAM优于其他分割方法。