本研究提出了DeepKD框架，旨在解决知识蒸馏中目标类与非目标类知识冲突及低置信度噪声问题。通过双重解耦和自适应去噪，显著提升了知识转移效果。

本研究探讨大型语言模型中的跨尺度参数知识转移挑战，识别“神经不兼容性”为核心问题，并提出预对齐参数知识转移范式，以简化调整过程并有效实现知识转移。

本研究提出了一种基于大脑时间发展机制的持续学习模型TD-MCL，旨在提高人工智能网络在扩大规模后的认知功能学习效率并降低能耗。该模型通过促进知识转移和消除任务冗余，在新任务上表现出更高的准确性。

本研究结合增强型大语言模型与扩展现实技术，开发了一个自然语言接口系统，以应对工业环境中的知识转移问题。通过优化语义分块和向量存储，显著提高了知识检索效率，展示了在多种工业应用中的潜力。

本研究提出EX-Claim模型，旨在自动化识别需核查的主张。该模型利用命名实体识别和实体链接技术，显著提升了27种语言的检测能力，尤其在知识转移方面表现优异。

本研究探讨了多语言模型在知识转移和事实回忆方面的局限性，发现其在不同语言间的知识转移效果不佳。研究提出了一个包含10,000个国家相关事实的基准，并引入新指标量化跨语言的事实回忆能力，强调模型需关注语言特定的事实可靠性。

本研究探讨了合并语言模型中技术词汇的整合，提出了新的知识转移机制，并量化评估了模型性能。结果显示，合并模型在增强领域特定知识方面显著有效，同时揭示了跨语言知识转移的挑战与未来方向。

本研究分析多语言模型在低资源语言中的知识转移表现，探讨多语言词嵌入的一致性及模型结构，揭示其优势与局限，以促进自然语言处理技术的包容性发展。

本研究提出了一种多域图基础模型（MDGFM），旨在解决不同领域图形拓扑差异带来的知识转移问题。通过对跨域拓扑信息进行对齐，MDGFM能够有效实现知识转移，提升多域预训练效果。

该研究提出了一种基于枢轴翻译的单模型集成框架，旨在提升低资源语言对的神经机器翻译性能。通过知识转移，该方法生成多样且准确的翻译候选，并通过选择高质量候选进行聚合，从而显著提高翻译质量。实验结果表明，该方法有效捕捉源句的细微差异，提供更优质的翻译。

本研究探讨了反退火机制在知识转移中的潜在益处，特别是在优化问题上的应用。通过对背包问题的实验，研究表明反退火能够从相似问题中获益，并提出了提高成功概率的输入解特征。

本研究探讨了在患者群体和临床实践差异显著的情况下，临床机器学习的知识转移挑战。通过对比预测编码（CPC）进行表示学习，发现合适的微调策略能有效促进知识共享，尤其在数据有限时。研究结果表明，时间进展模式比临床决策更易转移，为跨机构部署提供了可行路径。

本研究探讨了如何高效生成可重用学习对象（RLO），以解决教育材料结构化中的知识转移不足问题。通过Clavy工具，从多种医学知识源提取数据，生成适用于不同医疗场景的学习对象，显著提高了其可重用性，推动了医学教育的改善。