本研究探讨大型语言模型中间层的潜力，认为中间层能够编码更丰富的特征，从而提升多种任务的性能。通过建立统一的表示质量度量框架，挑战了对最终层的传统重视，为模型分析与优化提供了新思路。

本研究比较了透视学习与普通学习在模型训练中的差异，发现两者在特征编码效率上存在显著差异，透视训练在稳定训练中可实现25倍的压缩比，揭示了信息空间中的不同路径。

本研究提出了一种新颖的“Prompt and Transfer”（PAT）方法，解决了传统少样本分割中的类别无关特征编码问题。通过引入跨模态语言信息和部件掩码生成器，动态调整编码器，显著提升了少样本分割和跨域分割的性能，并在11个基准测试中创下新纪录。

通过研究能量驱动的生成模型RBM中的特征编码过程，我们发现了与经验概率分布的主要模式的渐进学习相关的相变现象。在高维极限下，学习导致了尖锐相变。

本文提出了一种有效的边缘计算推理方法，重点在设备模型计算成本与中间特征通信成本的权衡。通过模型拆分、通信感知模型压缩和任务导向特征编码，构建了三步框架，显著降低推理延迟，并探讨了边缘机器学习在高风险应用中的有效性。

本研究探讨了自监督语音模型在语言特征编码中的表现，发现中间层有效捕获词级信息，高层则保留低层次信息。提出的新方法结合语音合成模型，提升了多发言人语音特征的表示能力，并在多项任务中表现优异。此外，研究展示了无监督方法在语义理解中的有效性，证明了自监督学习在语音处理中的潜力。