本研究提出了一种神经框架，解决了学习概率分布间条件最优运输映射的问题，能够处理分类和连续变量。通过超网络生成运输层参数，超越了传统方法，推动了条件最优运输的应用。

本研究提出了一种基于超网络的生成器，解决了传统强化学习中评估者不足的问题，提升了样本效率，并能在新环境中生成有效策略。实验结果表明，该方法在复杂架构中具有良好的收敛性和高回报潜力。

本研究提出HipyrNet，一种结合超网络与拉普拉斯金字塔的方法，旨在解决混合曝光图像增强中的极端曝光变化问题。结果表明，该方法优于现有技术，为未来自适应图像翻译研究设定了新标准。

本文探讨了视觉变换器（ViTs）在子群体转变时的预测错误，并提出了一种基于超网络的定位-编辑方法，以提升ViTs在对象识别任务中的性能。

该研究提出了一种新方法，通过学习重建函数优化样本压缩，解决了传统方法中重建函数固定的问题。研究开发了新的样本压缩泛化界限，并在元学习框架下引入超网络架构，提供严格泛化保证的预测器。初步实验结果显示效果良好。

本文研究神经网络的收敛学习现象，探讨超网络生成主网络权重的方法，分析不同初始化训练的网络激活子空间匹配，提出自监督学习和模型动物园的权值学习方法，综述相似性度量方法，并介绍HyperS2V节点嵌入方法，强调其在可解释性和任务适用性方面的优势。

该研究探讨了多目标优化中的Pareto前沿学习方法，包括Pareto超网络、动态损失函数和可控Pareto集学习等新技术。这些方法提高了优化效率和性能，实验结果表明其在多目标优化任务中表现优越。

本文介绍了神经架构搜索（NAS）及其新方法NAT，旨在快速生成任务特定模型。NATv2改进了超网络结构，提升了性能。此外，研究探讨了多目标神经架构搜索（MONAS）和深度多模态神经网络架构搜索（MMnas），展示了其在多个任务和数据集上的有效性与优势。

本文探讨了大型语言模型（LLM）的扩展规律，提出在特定推理需求下，训练更小且更长的模型比Chinchilla-optimal更有效。研究表明，模型大小和训练数据应等量缩放，以优化计算效率。较小模型在每次迭代中执行更快，而大型模型则更具鲁棒性。此外，研究分析了计算预算对模型性能的影响，强调超网络和专家混合模型在不同预算下的优势。

本文介绍了一种基于神经辐射场的3D场景风格化方法，结合超网络和隐式表示模型，通过双向学习框架和语音指导实现高质量的风格迁移。研究展示了在视觉质量和一致性方面的优势，并探讨了神经样式化在3D数据中的最新进展及其面临的挑战与应用。

该文综述隐式神经表示（INR）在医学成像等领域的应用与挑战，涵盖inr2vec框架处理下游任务、HyperINR超网络提升推理与VR交互、基于INR的MRI任意尺度重建、分区机制加速不连续信号逼近、低层视觉任务性能提升2dB以上、傅里叶损失超网络用于时间序列生成、神经隐式词典快速重建2D/3D图像、小波激活函数优于正弦函数，以及图谱嵌入用于非欧几里得域学习。

本文汇总了多项连续学习研究：DualHSIC利用任务关系提升性能；HSIC瓶颈缓解梯度问题并增强鲁棒性；无回放类增量学习通过互补子网络实现；超网络方法持久记忆任务权重；经验回放结合锚定目标减少遗忘；稀疏性与异构dropout提升长序列表现；进化混合模型动态扩展架构；非对称二次函数逼近应对灾难性遗忘。

该文综述个性化联邦学习方法，旨在平衡个性化与全局训练并应对数据异构，涵盖去中心化在线学习、超网络pFedHN、FedPer基础加个性化层、元网络个性化策略、联邦重构、新客户端无监督自适应FedTTA、按相关客户联合训练、贝叶斯框架pFedBreD及FedSplit/FedFac等，多数方法在基准数据集上优于现有方法。

该研究提出了一种通过神经模型进行面部验证的方法，将面部验证问题简化为二进制问题，并使用超网络生成模型权重。该方法生成了紧凑的个性化面部识别模型，减少了参数和计算负荷。研究证明该方法与最先进的模型相媲美或更好，并进行了广泛的剔除研究以证明每个元素的重要性。

本文提出了参数节省的对抗训练（PSAT）框架，通过使用超网络训练专门针对单一扰动的模型并集成这些专门模型以抵御多种扰动，同时具有参数节省的优势。在不同数据集上进行广泛评估和比较，显示了该方法在鲁棒性和参数效率方面的优势。

本文介绍了一种基于时序差分的训练目标和数据的方法，用于在未知任务条件下生成行为。该方法着重于测试时的零样本表现，通过任务参数的知识实现。实证评估表明，该方法比多任务和元RL方法的基线表现有显著提高。