本研究提出图基础模型（GFMs），旨在解决图数据在预训练和迁移学习中的挑战，并展示其在多种图任务中的应用潜力，为未来研究提供方向。

本研究提出了一种新的任务调制对比学习方法（TMCL），旨在解决机器学习中的灾难性遗忘问题。该方法通过自上而下的调制，即使在仅有1%标签的情况下，也能显著提升分类增量和迁移学习效果，表明其在稳定性与可塑性之间的平衡中至关重要。

本研究提出了一种实时图像恢复方法，专为视频监控设计。该方法利用迁移学习和ResNet_50模型，自动识别图像降级类型并进行恢复，从而显著提升自动化决策效果。

本研究评估了内存受限环境中的轻量级深度学习模型，填补了低内存设备上图像分类的研究空白。通过基准测试五种架构，发现迁移学习显著提升了模型在复杂数据集Tiny ImageNet上的准确性和效率，为优化深度学习系统提供了建议。

本研究解决了边缘设备上训练和部署深度伪造检测模型的计算与内存限制问题。通过压缩技术和迁移学习，实验表明在90%压缩率下仍能保持性能，尽管存在领域泛化问题，为实际应用提供了理论支持。

本研究提出了一种基于奇异值分解的最小二乘法（SVD-LS）框架，通过自监督和迁移学习提取深度特征，实现多类别肺炎的准确诊断，显著降低计算成本，适用于实时医学影像。

本研究提出了一种渐进性迁移学习方法，旨在改善糖尿病视网膜病变筛查中的低质量视网膜图像。该方法通过多次恢复迭代显著提升图像质量，无需配对数据，展现出良好的恢复效果和应用潜力。

本研究提出了一种基于变压器模型的方法，显著改善了低资源语言罗马乌尔都语与乌尔都语之间的音译效果，超越了RNN方法，验证了多语种迁移学习的有效性。

本研究提出了一种新方法——高斯地图，利用预训练的2D扩散模型进行3D对象生成，解决高质量3D数据稀缺的问题，实现了2D流形向3D结构的迁移学习，为3D内容生成提供了有效解决方案。

本研究提出DM-适配器，旨在降低基于文本的人物检索的计算成本并增强特征提取能力。通过结合混合专家和高效迁移学习，DM-适配器显著提升了细粒度特征表示，实验结果表明其性能优于现有方法。

该研究探讨了社交媒体立场检测的准确性问题，提出通过讽刺检测进行迁移学习的方法。利用BERT和RoBERTa模型结合卷积BiLSTM，显著提高了立场检测的表现，尤其在处理讽刺文本时，F1-score有明显改善，显示出该方法的潜在价值。

本文提出了一种新颖的自监督迁移学习方法——分布匹配（DM），旨在提升目标分类任务的性能。DM通过保持数据增强的不变性，推动表示分布向预定义参考分布，从而在多个数据集上实现优异的分类效果。研究表明，DM在样本量有限的情况下仍能表现出色。

本研究提出了ARM4R自回归机器人模型，旨在解决机器人领域中有效表示和昂贵标注数据的问题。通过对人类视频学习的低级4D表示进行预训练，实现了高效的迁移学习，实验结果表明其在多种环境下的任务性能得到了提升。