기존 성격 인식 연구가 Big-5, MBTI 등 특정 심리 이론에 종속된 레이블에 의존해 일반화에 한계가 있다는 문제를 해결하기 위해, JAM은 어텐션-풀링 그래프 프로토타입 네트워크와 교차-이론 조화(CTH), LLM-as-a-Judge 메커니즘을 결합해 이론-무관적 잠재 심리 표현을 학습한다. Essays 및 Kaggle 성격 데이터셋 실험에서 JAM은 교차-프레임워크 일반화 성능을 향상시키며 저자원 성격 이론을 지원하는 효과를 보였다.
라벨이 부족한 복합화력 가스터빈(CCGT) 고장 탐지를 위해 칼만 프로토타입 네트워크(KPN)를 제안하며, 클래스 프로토타입을 동적 시스템의 잠재 확률 상태로 모델링해 퓨샷 학습(FSL)의 에피소드 분산을 줄이고 임베딩 표현의 견고성을 높인다. 해상 CCGT Modelica 시뮬레이션 기반 누설 고장 태스크에서 KPN은 Matching Networks, Relation Networks, MAML 등 기존 FSL 방법보다 정확도와 안정성에서 우수한 성능을 보였다.
임상 전립선 다중 파라미터 MRI는 고품질 확산 강조 영상(DWI)에 크게 의존하지만, DWI 판독은 종종 직장 내 공기로 인해 발생하는 기하학적 왜곡으로 인해 자주 방해받습니다. PI-QUAL 점수 시스템을 통한 품질 평가는 새로운 임상 표준이지만, 주관적이고 시간이 오래 걸리며, 저품질 사례가 다양하고 상대적으로 희소한 클래스 불균형 문제가 있습니다. PRIME 임상 시험을 예로 들면, PI-QUAL 점수가 4 미만인 이미지는 6%에 불과하며, DWI 문제의 87%는 왜곡 때문입니다. 다른 많은 임상 품질 문제들은 데이터에서 충분히 표현되지 않습니다. 이러한 흔한 주석 달린 임상 데이터의 이중 희소성 문제를 해결하기 위해, 우리는 자동화된 영상 품질 평가(IQA)를 위한 퓨샷 이중 파라미터 프로토타입 네트워크를 제안합니다. 우리의 프레임워크는 T2 가중치 및 DWI 특징을 융합하기 위해 이중 분기 3D ResNet을 활용하여, 왜곡과 실제 형태학을 구별하기 위한 해부학적 맥락을 제공합니다. 실제 세계의 이질성을 처리하기 위해, 우리는 특징별 선형 변조(FiLM)와 그래디언트 반전 층(GRL)을 도입하여, 획득 관련 편향을 억제하면서 변화하는 b값에 조건화된 특징 분포를 정렬합니다. 우리는 비교적 객관적이고 쉽게 얻을 수 있는 왜곡 레이블로만 메타 학습된 모델이 단 5개의 대표 샘플만 사용하여 PI-QUAL과 같은 복잡한 다중 인자 임상 품질 점수를 예측하도록 효과적으로 적응할 수 있음을 보여줍니다. 두 데이터셋에 대한 실험 결과는 우리의 방법이 이 도전적인 IQA 작업에서 퓨샷 학습 기준선을 상당히 능가함을 보여주며, 임상 워크플로우에서 전립선 MRI 품질 관리를 표준화하기 위한 실현 가능하고 데이터 효율적인 솔루션을 제공합니다.