该研究提出了一种新的回放方法——平衡在线增量学习（BOIL），旨在解决在线类增量学习中旧类与新类知识的平衡问题。BOIL通过包容性训练分离策略和双分类器有效整合知识，增强知识传递。实验结果表明，BOIL在保持高塑性和稳定性方面优于现有方法。

本研究提出了“知识对齐框架”，旨在帮助用户有效表达与大型语言模型互动时的信息偏好。研究指出，开发者在满足用户需求和透明度方面仍存在不足，需加强知识传递支持。

本研究提出了一种目标领域结构平滑（TDSS）方法，以解决无监督图领域适应中的知识传递问题。通过在目标图上实施结构平滑，TDSS显著提升了迁移效果，展现了广泛的应用潜力。

本研究探讨了人口基础结构健康监测中异质结构知识传递的挑战，提出通过中介结构搭建信息桥梁，并展示了在“桥”和“飞机”之间实现结构变化的案例，表明有效的知识转移是可行的。

Ewant育网是台湾的开放式在线课程平台，提供多样的免费课程，主要通过视频教学。课程需报名后观看，部分课程适合听学习，但实作课程不适合。Ewant与Podcast的主要区别在于内容安排和教学方式，Ewant更注重知识传递。

本文研究了如何提高机器人学习效率，探索人机互动中的知识传递和任务规划。通过大型语言模型（LLMs）和新系统RoboTool、RoboGPT，机器人能够更好地理解和执行任务。研究还探讨了语言对齐与人际关系的复杂性，以及个性化用户偏好的重要性。

本研究提出了一种适应性实例关系蒸馏方法，以提升低分辨率人脸识别性能。通过分步骤的知识传递，增强模型对低分辨率人脸的识别能力，实验证明该方法有效且适应性强。

本文研究了预训练视觉语言模型在医学图像领域的知识传递能力，强调医学提示语设计的重要性。通过共享表达属性提示，提升了模型的泛化能力和新对象识别。研究提出多种自动生成医学提示的方法，显著提高了零样本性能和微调效果，并探讨了视觉语言模型的提示工程及未来研究方向。

该论文提出了一种基于任务的模型重新编程框架，促进知识在不同预训练模型间的传递，支持低成本的下游任务迁移。通过改进知识蒸馏技术，增强学生模型的学习效果，尤其在标准数据集上表现优异。

联邦持续学习（FCL）结合了联邦学习和持续学习，旨在解决数据隐私和孤岛问题。研究提出了多种框架，如CFL和FedCIL，以提高在复杂场景下的收敛速度和稳定性。FCL通过模型合并和对比学习等方法有效传递知识，减少通信开销，并保持客户端之间的学习准确性。

CUBER 是一种用于连续学习的知识传递方法，有效缓解灾难性遗忘。研究提出了多种无监督和有监督学习技术，如 CUCL 和 CTR，以提升模型性能并解决数据隐私问题。TARGET 方法通过生成合成数据来保护客户隐私，同时实现知识传递。

本文介绍了一种名为EWE的恒定水印嵌入技术，旨在提高模型的鲁棒性和归属性能。该技术通过优化知识传递和生成对抗样本，有效防止未授权模型的分发，并确保信息源的完整性。此外，研究还提出了多位比特水印技术和潜在水印概念，以增强对抗语言模型滥用的能力。

本文提出了一种基于行为树和大型语言模型的任务生成方法，支持跨领域自动生成任务。通过自主机器人与语言模型的结合，机器人能够高效完成任务并减少人工监督。研究探讨了知识在不同环境中的传递，以提高机器人学习效率。此外，介绍了RoboBrain知识引擎和ROSGPT_Vision框架，增强任务规划能力，提升机器人在复杂环境中的适应性。

本文介绍了无数据知识蒸馏和联邦学习框架，旨在提升模型性能和保护数据隐私。NAYER方法通过嘈杂层生成高质量样本，FedLGT框架解决用户异构性，FedET框架降低通信成本并提高准确率。TARGET方法应对灾难性遗忘，KT-RCNet实现知识传递，联邦迁移学习（FTL）在保护隐私的同时提升模型性能。

本文提出了一种基于知识传递的关系补充网络（KT-RCNet）方法，旨在解决少样本增量学习中的挑战。该方法通过优化模型的塑性和使用伪增量任务，在多个数据集上取得了优异的实验效果，超越了现有的类增量学习技术。同时，研究分析了FSCIL的进展及其在计算机视觉等领域的应用。