研究自监督视频表示学习中的对比方法，提出一种考虑数据增强变量的对比学习框架，以提高针对时间信息进行的微粒视频动作识别的性能，并在多个视频基准测试中达到最先进水平。

Apr, 2021

该论文提出了一种新的自监督学习模型，采用数据增强的方法对正样本进行对齐，从而提高下游性能，并通过 ARC 无监督模型选择度量与下游精度相对应。

Mar, 2022

本文介绍了一种用于自监督图数据表示学习的概念简单而有效的模型，其通过数据增强生成输入图的两个视图，并通过受经典标准相关分析启发的创新特征级目标进行优化，旨在学习不变表示，并通过不同维度中的相关特性来防止退化解决方案，最终在七个公共图数据集上表现竞争力。

Jun, 2021

本文提出了一种理论框架以分析对比学习的算法，并引入潜在类别假设，该框架使我们能够在平均分类任务上证明学习表示的性能。同时，该文还表明，学习表示可以降低下游任务的（标记）样本复杂度。

Feb, 2019

本文旨在从潜在组件识别的角度理解基于最大化相关性的深度多视角学习，并采用一种直观的生成模型来分析多视角数据，它是共享和私有组件的不同非线性混合物，通过最大化潜在相关性，可以保证从各个视角提取共享组件（在一定程度上）并且还证明了通过适当的正则化设计，每个视图中的私有信息可以被明确地分离出来。

Jun, 2021

研究了自我监督学习中一种流行的方法 —— 对比学习，在此基础上通过数学量化数据增强方法的度量，探讨了其泛化能力与三个关键因素的相关性 —— 正样本的一致性、类中心的分离度以及数据增强的集中度，并使用实验验证了后者对最终性能的影响。

Nov, 2021

本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

Oct, 2020

通过应用特征基于自适应数据扩充（FebAA）方法，可以提高自监督学习模型中的准确性，这基于图形对比学习和深层图形对比学习，通过维护数据关键特征和误差特征，可以有效消除数据外推问题。

Jul, 2022

本文提出一种新的自我监督学习（SSL）方法，通过构建序列视图间的对比学习来改进序列推荐问题的效果，为了解决数据稀疏性和噪音问题，提出了三种模型增强方法以构建视图对，实验表明模型增强对于增强 SSL 中的序列推荐任务效果是有效的。

Mar, 2022

在该研究中，我们观察到某些未标注样本即使进行了强化，仍然能够以高置信度被正确分类，造成接近零的损失。为了进一步优化半监督学习模型，我们强调了关注这些已经学得很好的未标注样本，通过更多样的增强方式进行增强。为此，我们提出了样本自适应增强（SAA），它由样本选择模块和样本增强模块两部分组成。在实验中，我们发现 SAA 可以显著提高 FixMatch 和 FlexMatch 模型的准确性。

Sep, 2023