RMI（远程方法调用）允许客户端调用远程服务器对象的方法。通过Stub和Skeleton实现，客户端使用Stub作为代理，服务端通过Skeleton处理请求。RMI支持动态类加载、安全管理器以及对象的序列化与反序列化，确保安全传输。

本研究提出了一种基于大型语言模型的图增强网络（TRG-Net），有效解决了骨骼动作分割中关节与动作关联被忽视的问题，显著提升了动作理解和分类性能。

本研究提出了一种新方法，解决动画角色网格中骨骼运动数据整合的挑战。该方法能够自动绑定和蒙皮，适应不同的网格和骨骼配置，无需明确监督，利用Diffusion 3D Features实现强鲁棒性，并通过评估证明其优越性。

本研究提出了一种骨架引导翻译框架，旨在解决代码库翻译中的一致性和依赖管理问题。通过两步翻译过程，实现Java到C#的转换，并引入TRANSREPO-BENCH基准，以提高翻译质量的评估准确性。

本研究提出了一种新框架，通过引入对象节点来解决现有骨架动作识别方法忽视人类交互对象信息的问题，利用空间时间可变图卷积网络(ST-VGCN)对物体节点进行建模，从而提升识别性能。

本研究提出了一种统一基于骨架的密集表示学习框架（USDRL），有效解决了负样本生成困难和局部细致表示不足的问题。通过多粒度特征去相关，显著提升了密集预测任务的性能，实验结果表明该方法优于现有技术。

本研究提出了一种动机引导图变换器和组合骨架原型学习的方法，解决了3D骨架数据在人重识别中对关键身体结构和运动模式的忽视。该方法关注关节的局部相关性，提高了骨架关系学习的效率，实验结果表明其性能优于现有模型，具有广泛应用潜力。

本研究提出了一种新颖的拓扑对称增强图卷积（TSE-GC）和多分支可变形时间卷积（MBDTC），有效解决了现有动作识别方法的不足。实验结果表明，该模型在多个数据集上表现优异，且参数量更少，效率更高。

本文提出了一种新的动态演变双骨架-语义协同框架Neuro，旨在提升零样本骨架动作识别的泛化能力。该方法通过上下文感知的信息，深入探讨跨模态对应关系，实验结果表明其在多个基准数据集上优于现有技术，能够有效推广到新动作类别。

本研究提出了DanceFusion框架，旨在解决短视频平台中缺失和噪声骨架数据对舞蹈动作生成的影响。该框架结合了分层Transformer变分自编码器与扩散模型，显著提升了舞蹈动作的真实感和精确度，推动了内容创作和虚拟现实的发展。

本研究提出了一种新颖的量子时空相对变换网络（ST-RTR）模型，旨在提高骨骼基础人类动作识别的准确性，并在多个基准测试中显著提升性能。

本研究提出了一种基于完整动作先验的恢复与重采样增强框架，以解决骨骼动作识别在不同领域的泛化能力不足问题。通过恢复完整动作并进行重采样，显著提升了跨数据集的识别性能，尤其在边界姿势和线性时间变换方面有效捕捉全球动作模式。

本研究提出了一种新的掩蔽条件扩散模型（MacDiff），有效解决了自监督学习中骨架表示能力不足的问题。MacDiff在表示学习基准测试中表现优异，并在生成任务中取得良好效果，尤其在有限标记数据场景下，通过数据增强显著提升微调性能。