本文提出了一种新的本地对比特征学习（LoCL）框架，其主题是从表格数据中学习本地模式 / 特征。利用特征相关性创建最大生成树并将其分解，使用卷积学习特征，受对比和重构损失控制，与其他领先方法相比在公共表格数据集上实验表明提出的方法的有效性。

Nov, 2022

对于表格数据的对比学习任务，传统的数据增强方法效果有限，因此我们提出了一种基于类别标识的数据增强技术，通过针对类别条件对表格数据进行破坏性操作，实验证明该方法在表格数据分类任务中表现出色。

Apr, 2024

该研究介绍了一种结合 SimCLR 和 SCARF 的自监督对比学习框架，使用心脏 MR 图像和 120 项临床特征预测冠状动脉疾病风险，并展示了标签作为特征的监督式对比学习的性能。

Mar, 2023

通过对食物图像进行对比自监督学习，提出了一种减少视图间相互信息的方法（FeaSC），并且在公开食物识别数据集上提高了分类准确度，并在下游分割任务上取得了优秀的结果。

Aug, 2023

本文提出了一种新颖的、面向频率的、区分特征学习框架，包括单中心损失和自适应频率特征生成模块，可以有效地检测和抵御面部伪造攻击。在 FF ++ 数据集上的实验结果表明了该框架的有效性和优越性。

Mar, 2021

通过与社区合作收集一种名为跨文化理解基准（CCUB）的代表文化的数据集，并提出了一种新颖的自对比微调（SCoFT）方法，改善生成图像中的包容性表示，并通过模型的已知偏见进行自我改进。

Jan, 2024

我们提出了一种新颖的基于对比的框架 SCVRL，用于视频的自监督学习。与以前主要关注学习视觉语义的对比学习方法（例如 CVRL）不同，SCVRL 能够学习语义和动作模式。我们通过将现代对比学习范式引入 popular shuffling pretext 任务，展示了我们的基于 transformer 的网络在自监督设置下自然而然地具备学习运动的能力，并在四个基准测试中取得了 CVRL 的强大性能。

May, 2022

通过评估使用权重调整、强正则化和组鲁棒性训练等方法训练的模型，重训练模型的方法在多个视觉和 NLP 问题中表现出与其他方法相似的结果，表明无需过度正则化即可学习高质量的特征表示。

Oct, 2022

这篇研究使用无监督对比特征学习的方法来对网络图像进行检索，然后结合奇异谱嵌入和离群点敏感聚类来检测噪声和局外点，并训练噪声鲁棒的神经网络来纠正 ID 噪声和利用 OOD 样本进行引导对比学习，提高底层特征。

Jul, 2022

本研究提出了一种名为 RSC 的简单训练启发式方法，它通过挑战或丢弃在训练数据中激活的主导特征，强制网络去激活其余与标签相关的特征，从而显著提高了 CNN 对域外数据的泛化能力，并证实了这种方法的简单、有效和无需额外网络参数学习的特性。

Jul, 2020