本研究探讨了人工智能中知识表示形式的选择争议，提出了一个通用框架以捕捉各种知识表示形式。研究表明，所有通用表示形式在递归同构方面相同，为这一长期争论提供了部分解答，具有重要的理论意义。

负采样是机器学习等领域的重要研究焦点。本文提出了一个通用框架，将负采样方法分为五类，并讨论了其应用、益处和未解决问题。还介绍了负采样在图表示学习、推荐系统等任务中的应用和改进方法。

本文提出了一个通用的框架，利用迁移学习和知识蒸馏等方法，使得联邦学习在每个参与者拥有自己的数据和独特的模型的情况下也能够实现。试验结果显示，该框架平均提高了个体模型的测试准确度20％，仅有少数几个百分点的下降。

本文提出了一个通用框架，将监督和无监督示例与背景知识集成到内核机器中，并在示例上学习多个谓词，并在其值的允许配置上强制执行一组 FOL 约束。

该文提出了一个新的通用框架，用于识别可能相互关联的系统，并提供多步预测的准确性。该框架引入了基于反向传播的多步损失函数梯度计算的分析递归算法，直接为学习算法提供物理和结构洞察力。该方法被测试用于从状态观测开始估计太空碎片的惯性矩阵。

该文提出了一个通用框架，利用神经网络和SMT求解器自动化地编码和定义系统规范、形式合成控制器和证明，并在广泛基准测试中进行了有效性评估。

本文提出了一个用深度生成模型进行无监督文本风格转换的通用框架，通过学习观察数据中的依赖关系，学习内容和风格的潜在代码，并通过操纵这些代码来转换句子。实验结果显示该方法在评估中取得了更好或具有竞争力的结果。