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。

本研究提出了一种创新的超网络方法（H-Learner），有效解决个性化治疗效果估计中的复合治疗和结果挑战，尤其在数据稀缺的情况下显著提高了估计的准确性。

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。

HypeMeFed是一种新的联邦学习框架，通过多出口网络架构和基于超网络的模型权重生成，支持客户的异构性。在真实设备测试中，HypeMeFed相较于FedAvg方法提高了准确度，减少了超网络内存需求，并加速了1.86倍。

本论文提出了一种结合算法和硬件的运行时性能权衡管理方法，通过动态超网络实现实时满足应用性能目标和硬件约束。在Jetson Xavier NX的GPU上，相比最先进的方法，模型的速度提高了2.4倍，准确率提高了5.1%。设计的分级运行时资源管理器能够在不同场景中降低能量消耗和延迟。

本文介绍了一种新颖的神经渲染技术，通过几何编码体积和超网络实现对新场景的模型适应。Hyper-VolTran方法避免了场景特定优化的瓶颈，并保持一致的结果和快速生成。

本文介绍了一种新颖的神经渲染技术，通过几何编码体积和超网络实现对新场景的模型适应。通过提出的体素变换模块，改善图像特征的聚合，保持了从多个视点生成的图像的一致性。实验证明了该方法的优越性。

本论文提出了一种结合算法和硬件的运行时性能权衡管理方法，通过动态超网络实现实时满足应用性能目标和硬件约束。在Jetson Xavier NX的GPU上，相比最先进的方法，速度提高了2.4倍或准确率提高了5.1%。设计的分级运行时资源管理器在能量和延迟方面都有显著降低。

HyperGANStrument通过引入超网络提高了GANStrument生成器的重建能力，通过敌对微调改善了重建准确性和多样性，增强了生成能力，提高了生成音频的可编辑性。

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。