本研究旨在解决自然语言处理的结构预测问题中限制管控的好坏与实现的关系，提出了一种基于双层整流网络的学习限制方法，可以通过学习网络的参数生成一系列线性约束，从而提高 NLP 任务的预测准确性。

May, 2020

本研究提出了一种新的神经网络监督方法，它通过指定输出空间上应该保持的约束条件来监督神经网络。这些约束条件是从先前的领域知识中派生出来的，并能够在真实世界和计算机仿真视觉任务中有效地训练卷积神经网络，减少了对已标注的训练数据的需求，但对正确编码先前的知识引入了新的挑战。

Sep, 2016

本研究提出一种处理结构化输出的大规模公式，该公式基于部分注释数据进行学习，并通过 concave-convex procedure (CCCP) 进行高效求解以达到解决实际应用的目的。我们将该方法应用于可变数量可分对象的具有挑战性的跟踪问题中，并在仅使用完全注释的 25％的情况下实现与完全注释模型相媲美的性能。最后，我们通过实证比较来统一之前使用的 hinge、ramp 或 max loss 用于结构化学习的透视图。

Jun, 2012

本文研究了自然语言处理结构化预测任务中的攻击与防御。我们提出了一种使用来自同一结构化预测任务的多个参考模型的反馈的序列到序列模型来攻击结构化预测模型的新颖统一框架，并通过对抗训练进一步加强了受害模型的预测，使其更加鲁棒和准确。在依赖分析和词性标注中验证了该框架。

Oct, 2020

在线学习环境下的结构化预测问题的理论和算法性框架的研究。通过研究，我们发现我们的算法能够推广到监督学习环境中的优化算法，并且在数据非独立同分布的情况下也能达到相同的风险上界。此外，我们还考虑了一种特别设计用于非平稳数据分布（包括对抗性数据）的第二个算法，并以数据分布的变化为函数界限其随机遗憾。

Jun, 2024

本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

Feb, 2018

本文提出了一种使用约束结构学习和熵镜像下降方法的图像场景生成模型，相较于基于信息传递的方法，更能适应不同场景下的图像生成任务，并在各基准测试中取得了最优结果。

Jan, 2022

通过结构约束和组合推理，我们构建了一种基于提示的方法用于零和少样本的语言结构预测，在两个结构预测任务和五个数据集上的结果表明，强制一致性不仅构建了结构上有效的输出，而且还改善了性能。

Jan, 2024

本文提出了一种结构调整框架，以在训练时通过软化约束来提高模型性能，利用神经网络的表达能力和具有结构化损失的监督学习组件，通过实验证明可以在语义角色标注任务中取得比 RoBERTa 等基线更好的结果，并在低资源情况下实现了持续改进。

May, 2020

该研究提出了一种弱监督方法 —— 敌对标签学习，通过对抗生成器为训练数据选择标签，以历经多个真实数据集的实验证明，在无监督的情况下训练分类器，并通过保护上面部分的误差率最小值以避免偏差和依赖性等问题，有助于有效提高训练效果。

May, 2018