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。

研究者提出了一种基于预训练模型的联邦时间序列预测模型，通过将时间序列转化为文本标记的形式来进行推理，并采用个性化联邦训练策略，取得了比现有方法更好的性能，有望实现有效的少样本和零样本预测。

该文章介绍了一种简单的方法，通过替换传统的预测规则中的argmax来适应已训练好的模型，从而可靠地预测新类别或提高零样本预测的性能。该方法经过全面的理论分析，研究了学习理论结果、标签空间直径、样本复杂度和模型维度之间的权衡，以及预测未观察到的类别和最新类别选择程序的情境特征。实证研究表明，该方法在ImageNet上相对于SimCLR可获得高达29.7%的相对改进，并可扩展到数十万个类别。当没有可用的度量指标时，该方法可以使用类别嵌入的自主度量，在预训练的零样本模型上获得了10.5%的改进。

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。