本研究提出了kNN-SVC模型，通过加性合成和新距离度量优化，解决了零样本歌声转换中的鲁棒性问题。实验结果表明，该方法显著提升了音质和连接平滑性，为相关领域提供了新思路。

本文针对文本分类中内部信息的利用不足问题，提出了一种双重K最近邻(DkNN)框架，利用训练集中的多个邻居来增强标签分布。通过引入标签分布学习模块，该方法减少了模型的过拟合并提升了分类性能，从而提高了KNN模块在推理过程中的邻居检索质量。

本研究针对Wi-Fi感知模型在不同环境中的性能下降问题，提出了一种K近邻最大均值差异(KNN-MMD)模型，采用局部分布对齐的方法，显著提升了跨域Wi-Fi感知的效果。研究表明，该方法在一击场景下的精准度分别达到93.26%、81.84%、77.62%和75.30%，展现了其在实际应用中的稳定性和有效性。

本研究解决了k最近邻图拉普拉斯算子在流形数据中的收敛速率问题，提出了一种新方法，使每个点的收敛速率达到O(N^{-2/(d+6)})，显著提高了算法效率，并通过实验进行了验证。

本研究探讨了语音识别中的性能差异，提出将k最近邻搜索（kNN）应用于Whisper模型，以提高对不同说话人的适应性。研究结果表明，kNN在性别、口音和年龄方面显著提升了Whisper的表现，展示了其在语音识别中的潜力。

RigorLLM是一种创新框架，通过增强训练数据、优化输入安全后缀，并结合KNN与LLMs模型，有效调节有害输入输出。相比OpenAI和Perspective API，它在检测有害内容和防御攻击方面表现出色。其方法为更安全的LLMs发展树立了新标准。

本研究提出了一种新的轻量级框架SSL-TTS，通过自监督学习特征和检索方法，实现简单而稳健的多说话人合成，适合低资源领域和语言的多说话人TTS系统开发。

我们提出了一种新颖的 kNN-CTC 基于代码切换 ASR 框架，它采用双语言数据存储和门控数据存储选择机制以减少噪音干扰。我们将此框架应用于先进的 CTC-based 模型，开发出一种先进的中英文代码切换 ASR 系统。广泛的实验证明了我们的门控数据存储机制在提高零 - shot 中英文代码切换 ASR 性能方面的卓越效果。

基于数据依赖图构造的特征表示进行分类，提高了分类准确度和可解释性，同时证明数据依赖图能够准确捕捉语义和结构信息。

我们提出了一种名为kNN-CLIP的新型连续语义和全景分割策略，能够在计算和内存成本最小化的情况下适应不断扩大的词汇，并在大词汇语义和全景分割数据集上取得了最先进的性能表现，为实现更高效、可适应性强的连续分割方法迈出了一步。

本文研究了$k$NN-MT的理论和实证研究，发现结合$k$NN-MT和适配器的方法能够在特定情况下实现与微调相当的翻译性能，并在域外测试集上取得更好的性能。同时，优化上下文表示可以弥补$k$NN-MT与微调在低频特定领域词汇召回方面的差距。

kNN-LMs是将预训练的神经语言模型与k最近邻居模型线性插值的新模型，通过此方法在Wikitext-103 LM中实现了困惑度为15.79，提高了2.9点，无需额外训练。该方法在扩展到更大的训练数据和实现领域自适应方面也表现出良好效果。最近邻搜索在长尾系统的语言建模中是一种有效的方法。

该文介绍了$k$NN-LMs模型，将预训练的神经语言模型与$k$最近邻居模型线性插值，实现了一个新的最先进的困惑度为15.79，无需额外训练。作者认为这种方法在扩展到更大的训练数据和实现领域自适应方面具有作用，并在长尾系统的语言建模中是一种有效的方法。