本文综述了k近邻与预训练语言模型结合的多项研究：kNN-LMs通过线性插值降低困惑度并支持领域自适应；BERT-kNN提升开放域问答召回率；kNN校准框架改善上下文学习；Skill-KNN优化少样本选择；Fair-KGNN减轻知识图谱偏见；对比学习结合kNN增强鲁棒性；另有研究探索大模型嵌入对偏见检测的影响及少样本偏见识别方法。

本文综述基于邻域图的聚类与kNN方法研究，涵盖随机邻域图的最优聚类及参数k选择、含噪环境下识别聚类的概率证明、自适应选择k的改进kNN分类器及收敛界、融合分布信息的偏好附加k近邻图（paNNG）、kNN子图对簇树的一致估计及首个有限样本剪枝结果，以及非局部KNN松弛、局部加权回归、近似谱聚类、图学习算法和自适应核图神经网络。