性能提升：在Cyber Autonomy Gym for Experimentation (CAGE 2)环境中验证了方法的有效性，展示了代理在未训练过的网络变体上的性能提升。性能提升：在多个图和节点级任务中验证了方法的有效性，显示出比微调和其他基于提示的方法更好的分类性能和数据效率，平均提升1.64%。性能提升：在成都和纽约的真实城市数据上验证了框架的性能，展示了策略的零样本转移能力，与控制方法

比如在短期负荷预测（STLF）中，有研究首次采用LSTM-CNN结合的自注意力机制（SAM）模型，通过仅使用负荷数据，实现一种基于输出维度的混合预测框架，并使用卷积核来提取用户的随机性，解决非平稳特性问题。CLA模型性能提升：与传统的LSTM和CNN-LSTM模型相比，CLA模型在根区土壤湿度预测方面的性能显著提升，特别是在80-100 cm深度，R²值接近0.9298，RMSE降低了49%和57

时间序列预测的创新：通过在LSTM架构中用XNet替换传统的前馈神经网络（FNN），引入了XLSTM模型，在时间序列预测实验中，XLSTM在准确性和可靠性方面一致超越了传统的LSTM模型。性能提升：在多步预测任务中，TKAN相比于传统的LSTM和GRU模型表现出更好的性能，例如在15步预测中，TKAN的R-squared值比GRU高出至少25%，显示出在长期预测中的优势。结合KAN和LSTM：TK

Shapley值是一种分配给合作博弈中的每个参与者的贡献度的方法，SHAP在这个基础上应用于特征对模型输出的贡献度分析。SHAP的核心思想是将特征值的贡献分配到不同的特征中，计算每个特征的Shapley值，并将其与特征值相乘得到该特征对于预测结果的贡献。SHAP可以用于多种机器学习模型，包括分类和回归模型，可以生成图形化和定量的解释结果，帮助用户理解模型的决策过程。SHERPA结合了传统研究者驱动