本篇论文探讨了推广汇聚方法以增强句子嵌入，我们提出了基于向量的多头自注意力池化方法，该方法包括广泛使用的最大池化、平均池化和标量自注意力池化作为特殊情况，该模型通过适当设计的惩罚项减少多头注意力中的冗余，并在自然语言推理、作者配置文件和情感分类等三个不同任务上对提议模型进行了评估，实验表明，所提出的模型相对强的基于句子编码的方法实现了显著的改进，在四个数据集上呈现出最新技术水平。

Jun, 2018

通过将每个特征向量视为不同的语义实体，并将 GAP 视为其的凸组合，我们将 GAP 广义化为可学习的广义求和池化方法（GSP），通过选择语义实体的子集并学习对应的权重，提高了 GAP 的能力，进而通过在 4 个流行的度量学习基准上进行深入评估来证明我们方法的有效性。

Aug, 2023

通过在现有的视觉管道中重新制定池化为可调池化权重参数的函数，并提出使用来自梯度下降的受监督的误差信号来调整模型中已建立的映射，该技术使我们能够学习通常在模型内部是设计选择的内容，并将映射专门化以聚合不变性区域以提高分类准确性，并突出显示中间特征表示空间中的重要区域。

Jan, 2013

本文对比了基于简单词向量嵌入的模型（SWEMs）、基于词向量的 RNN/CNN 模型以及两种额外的词嵌入池化策略在 17 个数据集上的性能，研究发现在多数情况下，SWEMs 具有相当甚至更好的表现，且提出的两种池化策略在长文本分类任务上表现优异。

May, 2018

该论文提出了统一的视觉语义嵌入方法，采用对比学习的方法从仅有的图像 - 标题对中对不同水平的概念进行对齐，对于句子中出现的语义组件进行了有效处理，证明该方法具有鲁棒性和可靠性。

Apr, 2019

本文提出快速自适应负采样算法，解决了图像语义嵌入中负采样难题， 该算法能够线性处理大型数据集， 并且比目前最先进的方法在 OpenImages，IAPR-TCI2 和 NUS-WIDE 数据集上的收敛速度分别提高了 5.02 倍， 2.5 倍和 2.06 倍，在各个数据集上获得较好的排名准确性。

Jan, 2018

该论文提出了一种新的池化机制 —— 广义最大池化（GMP），该机制可以缩小常见而无用描述符和罕见但有信息量的描述符之间的差距，该机制不仅适用于诸如 BOV 等基于计数统计的表示形式，而且特别适用于最尖端的 Fisher Vector，该机制可以显著提高图像分类技术。

Jun, 2014

利用视觉 - 语义嵌入的新技术进行跨模态检索，通过采用 hard negative mining，结构化预测中的 hard negatives 和排名损失函数的结合，对多模态嵌入的常见损失函数进行简单改变，在微调和使用增强数据的情况下获得了显著的检索性能提升。作者在 MS-COCO 和 Flickr30K 数据集中展示了他们的方法 VSE ++，并使用消融研究和与现有方法的比较。在 MS-COCO 的图像和标题检索中，他们的方法在 R@1 上比现有技术方法分别提高了 11.3％和 8.8％。

Jul, 2017

通过提出一种名为 MIVSPool 的新图池方法，该方法不会丢弃任何顶点信息，也不会人为地增加图的密度，通过最大独立顶点集（MIVS）选择存活的顶点和将其余的顶点分配给幸存者，实验结果表明在各种标准数据集上，该方法提高了图分类的准确性。

Aug, 2022

提出了一种泛化的 alpha-pooling 方法，可以在训练中学习汇编策略，同时引入一种有效的决策可视化方法来分析语义组成对决策的影响，实验证明这个方法可以在各种标准数据集上优于传统的的平均池化和双线性池化方法。

May, 2017