本研究利用大型语言模型提取EEG信号中的个体无关特征，解决了零样本预测能力不足的问题，增强了模型的鲁棒性和可推广性，对脑-机接口领域具有潜在影响。

本研究提出了ChatTime模型，解决了传统深度学习模型在时间序列分析中仅依赖数值数据的问题。该模型支持双模态输入/输出，实现零样本预测，实验结果显示其在多项任务中表现优越，具有潜在应用价值。

本研究提出了一种上下文微调方法，基于时间序列基础模型，通过引入多个相关示例，显著提升了零样本预测性能，优于传统模型。

本文介绍了一种层次化模型，能够从大规模文本库中推广教学知识，实现机器人对未见活动的零样本预测。研究涵盖多模态学习框架、视觉-文本匹配和神经符号学习等方法，展示了在视频动作预测任务中的有效性和高性能，尤其是在开放环境中的应用潜力。

无监督领域自适应（UDA）通过将源数据集的知识转移到目标数据集，减少了对标记数据的需求。本文提出了一种结合视觉-语言模型的新方法，利用源数据和目标数据进行零样本预测，提升了模型的适应性。实验结果表明，该方法在多个基准测试集上超越了现有技术，验证了其有效性。

本文介绍了多种新型模型和方法在不同领域的应用，包括先验拟合网络（PFN）、零样本预测模型ForecastPFN、点云数据的联合嵌入预测架构Point-JEPA、音频的自监督学习方法A-JEPA，以及图领域的Graph-JEPA。这些方法在准确性、速度和可扩展性上表现出色，推动了各自领域的研究进展。

本研究提出了一种自然语言引导的框架，结合双向循环神经网络和语义连接进行视觉关系检测，特别在未预测关系上表现优异。通过整合视觉和语义特征，改进了零样本预测技术，并在多个数据集上取得最佳性能，提升了图像理解和检索的准确性。

我们提出了UniGraph框架，使用TAGs训练图基础模型，实现泛化能力。采用级联的LMs和GNNs构建骨干网络，基于MGM的自我监督训练目标，并引入LLMs进行图指令调优，实现零样本预测。实验证明我们的模型在自我监督表示学习、少样本上下文转移和零样本转移方面有效，超越或匹配了受监督训练的GNNs的性能。