transfer-learning

本文研究了视觉生成监督如何提升视觉理解能力，引入了OmniTaskonomy作为统一分类法，以分析任务相关的益处并指导训练课程。

本文综述了机器人情境学习方法，将其分为四大接口家族，并分析了它们在操作与导航任务中的应用。

PixelJev被介绍为一种原生图像决策接口，使用小型开放多模态模型将图像、指令和候选集映射到结构化选择。该研究表明，在Pets等基准测试中，自适应提高了准确性，并突出了校准和泛化方面的挑战。

本文提出一种框架，通过近似联合标签分布来学习多任务模型中的跨任务关系，并通过迁移学习提升YouTube推荐系统的性能。

本文结合迁移学习与保形分位数回归，以提高在孟加拉国因限电导致的数据稀缺条件下的太阳能光伏预测精度和不确定性量化，展示了与基线方法相比的显著性能提升。

本文介绍了TopoSIGN，一个针对符号图的拓扑引导的图预训练和提示学习框架，它结合了结构编码和持久同调，以改善链路预测和节点分类等任务中的迁移学习。

论文提出了EviGDA，一个通过结合图感知和无图专家来增强图域适应的框架，旨在改进结构变化下的预测。

本文提出了RoboDawn，一种将视觉语言模型智能迁移至机器人控制的方法。该方法通过零样本和单样本学习在基准测试中取得了先进结果，并在真实世界应用中验证成功。

本文介绍了一种名为JANUS的事后权重校正框架，用于缓解基础模型微调过程中的灾难性遗忘，通过实现参数空间正交性，在适应新任务的同时保留历史性能。

本文研究了神经网络中Grokking的热启动转移中的组件角色，表明转移内部权重可以提高早期性能但存在不稳定性风险，并提出了稳定该过程的方法。

本文介绍了一种三阶段训练流水线，通过程序化预训练提升分子属性预测性能，在数据稀缺情况下通过从抽象生成数据中学习归纳偏置，表现出更优性能。

这篇综述论文基于基础模型，将游戏中的AI应用组织成六个角色，讨论了游戏生命周期中的可迁移性和评估挑战。

本文提出SAAC-JEPA，一种架构自适应动作条件化JEPA模型，用于在部分传感器重叠的CNC机器之间迁移预测表示，证明跨机器适应需要超越源域准确性的独特评估。

本文研究了语言模型细胞间潜在通信中的可移植语义和负迁移，表明独立训练的社会共享语义接口但不共享原始语言，并且继承的接口可能导致严重的负迁移。

本文利用Fisher–Rao几何证明，大型语言模型共享可通过学习与控制获得的行为结构，从而支持迁移学习和最小干扰干预。

本文介绍了LatentDDM，一种在小子域上预训练神经算子并通过组合它们来提高精度、降低在不同域中物理模拟适应成本的方法。

SMart 是一个新的时间序列表示学习框架，它使用多阶段递归图恢复和源数据集选择器来增强从多个数据集的表示迁移，在分类和回归任务中显示出性能提升。

本研究探讨了重新利用YOLO26深度估计模型的主干网络用于图像去雨，表明在受控实验中，深度训练初始化相比随机初始化提供了持续的改进。

StudyBench引入了一个受控的物理基准，用于衡量自进化方法将训练材料转化为可迁移问题解决能力的效率，揭示了指导和计算方面的差距。

SimCast-S2S是一种用于概率性亚季节性降水预报的生成式潜扩散框架，它利用气候模拟的迁移学习，在性能上超越了深度学习基线模型，并与业务预报系统具备竞争力。