本研究提出了Speech-FT策略，通过模型合并解决微调语音表示模型时的泛化能力下降问题，提供了一种高效的解决方案。

本研究提出结构稀疏微调(S$^{2}$FT)方法，解决了现有PEFT在LLM微调中高质量、效率和可扩展性之间的矛盾。S$^{2}$FT在多领域泛化能力上优于传统方法，训练内存节省3倍，延迟改善1.5-2.7倍。

本研究提出了一种名为PAD-FT的轻量级防御机制，旨在应对深度神经网络的后门攻击。该方法通过数据净化选择干净数据，避免依赖额外的数据集，仅微调模型的最后分类层，展现出在多种攻击方法和数据集上的优越效果。

FT K-Means 是一种高性能的 GPU 加速 K-Means 算法实现，具备在线容错能力，并且在计算代价方面有效解决了距离计算的低效问题。

这篇论文介绍了一种大规模的高速公路交通数据集，用于异常检测，利用深度学习模型可以提高事故报告准确性和减少延迟。

介绍了FT-TabPFN增强版本，用于表格分类，通过特征标记化层处理分类特征，通过微调下游任务提高模型功能和准确性，适用于小型数据集，无需额外训练。

本案例主要介绍业界首创的FT-FMEA风险分析法融合混沌演练在零售企业的应用实践，使能IT系统韧性提升从故障驱动走向风险驱动，助力IT应用可用性实现百倍提升，构筑企业商业增长的牢固基础。

介绍了Lipsum-FT鲁棒微调算法，利用语言建模特性提高零样本模型在分布变化场景中的性能，实验证明其优于现有方法。