本研究针对零样本跨领域序列推荐中的领域语义偏差问题，提出了一种新的框架以改善跨领域对齐。该方法通过引入一般化损失以及用户行为模式的转移来增强推荐系统的传递性，最终实验证明其在多个数据集上显著提升了推荐性能，为数据稀缺环境下的推荐系统提供了更有效的解决方案。

本研究解决了多模态医学图像任务中的通用化问题，提出了一种将个性化医学与多模态通用化相结合的新方法。研究显示，学习个性化的不变表示可以在多种医学任务中实现高效的通用性和可转移性，显著提高了不同场景下的性能表现。

本研究解决了多发性硬化症（MS）病灶分割模型在不同评估数据集上的通用性不足的问题。通过使用高质量的公开数据集，采用先进的UNet++架构进行系统训练，结果表明模型在多个测试数据集上表现一致，且合并数据集能够显著提升模型性能。这项研究有助于在实际临床中更有效地进行MS的初步诊断和病程监测。

视网膜血管分割是通过眼底图像提取临床相关信息的方法。我们在迄今为止最大的公开数据集上为文献中常用的各种架构和训练选择提供了严格的基准，并评估了五个已发布的模型在公开可用的 FIVES 眼底图像数据集上的性能，同时比较了不同模型架构在不同损失函数、图像质量水平和眼科疾病条件下的性能表现，并评估了它们在面对疾病诱导的领域转变时的能力。当具备足够的训练数据时，基本架构如 U-Net...

通过使用文本描述中的关键点线索，借助 LocLLM，将大规模语言模型（LLM）与图像和文本指令作为输入，输出所需的关键点坐标，有效扩展了现有的关键点定位模型的能力。

本文提出了个性化联邦学习框架pFedPG，通过生成适应本地数据的视觉提示，实现高效的个性化模型优化。同时介绍了FedTPG和FedCLIP等方法，解决了数据异质性和隐私问题，提升了模型的泛化能力和效率。实验结果显示，这些方法在计算和通信成本上优于传统技术。

本文提出多种半监督领域泛化方法，以提高模型在有限标签情况下的泛化能力。通过伪标签技术、领域感知原型和新算法，研究表明这些方法在不同基准数据集上表现优异，显著优于现有技术，有效解决了领域间数据不平等和过拟合问题。

现有的监督学习泛化理论通常采用整体方法，并提供整个数据分布的期望泛化界限，这暗示了模型对所有类别的泛化情况相似。然而，在实践中，不同类别之间的泛化性能存在显著差异，这不能被现有的泛化界限所捕捉。本文通过在理论上研究类别泛化误差来解决这个问题，该误差量化了每个个体类别的泛化性能。我们使用 KL 散度推导出了一种新的信息论界限来度量类别泛化误差，并进一步利用条件互信息 (CMI)...