本文介绍了一种提供视觉分类任务向量表示的方法，该表示可用于推断任务及其关系的性质，并提供了独立于细节（如类标签语义的理解等）的任务的固定维度嵌入。我们还展示了该框架的实用价值以及通过学习嵌入度量来选择预训练特征提取器的简单元学习框架。选择具有任务嵌入的特征提取器可获得接近最佳特征提取器的性能，而成本则显著低于对所有可用特征提取器进行详尽的训练和评估。

Feb, 2019

通过利用结构和语义特性，我们提出了一种自动化方法来推荐对开发人员最相关且最有用的单元测试，从而显著提高软件测试过程的效果和效率。使用神经网络将源代码方法和单元测试转化为分布式表示，并根据嵌入向量的相似度，识别出最相似的嵌入方法和相关单元测试作为最相似的推荐。方法在 Methods2Test 数据集上取得了良好的结果，推荐的测试用例减少了开发人员生成预期测试用例的工作量。

Oct, 2023

本文介绍了如何使用程序追踪的抽象作为表示学习单词嵌入的一种方法，并展示了使用主要基于语义抽象的学习嵌入提供了接近三倍的准确度。

Mar, 2018

本研究提出了一种基于对比学习的无监督学习框架 Fun2Vec，能够直接作用于反汇编二进制函数，并且不需要人工标记相似或不相似信息，在二进制代码的相似性检测领域有着极高的准确率和优势。

Sep, 2022

本文介绍了 TS2Vec，它是一种用于在任意语义级别学习时间序列表示的通用框架。通过对增强的上下文视图进行分层对比学习，TS2Vec 能够为每个时间戳提供强大的上下文表示，并通过简单的聚合来获得时间序列任意子序列的表示，通过实验评估表明，TS2Vec 在时间序列分类、时间序列预测和异常检测任务中具有良好的性能。

Jun, 2021

使用人工识别特征并需要为每个任务付出人力劳动的软件补丁现有方法存在缺陷，本文提出一种基于神经网络的 CC2Vec 模型，通过伴随的日志消息学习代码更改的表示，以识别代码更改的层次结构并使用多个比较函数来识别删除和添加代码之间的差异，并证明该模型在多个软件补丁任务中均优于现有技术。

Mar, 2020

本文介绍了一种基于神经网络模型的代码嵌入方法，通过将代码片段表示为单一的固定长度代码向量，学习抽象语法树中路径的原子表示，并同时学习集合聚合的方法，从而预测代码的语义属性。通过训练一个包含 14M 个方法的数据集，我们证明了该方法的有效性，并通过相应的数据比较表明，该方法比先前的技术有着相对提高超过 75％，是第一个成功预测大型跨项目语料库上的方法名的方法。

Mar, 2018

该研究提出了一种无监督的临床试验检索方法（Trial2Vec），通过学习自监督，自动学习临床试验的嵌入表示，并在试验检索和试验结果预测任务中取得了较好的效果。

Jun, 2022

本文提出一种基于向量的时间表示模型 Time2Vec，具有模型无关特性，可以被轻松地导入到现有和未来的架构中，以提高模型性能。通过在多个模型和问题中的实验证明，将时间概念替换为其 Time2Vec 表示可以提高最终模型的性能。

Jul, 2019

本文评估了代码表示模型 Code2vec 在 C 源代码中检测安全漏洞任务上的表现，结果表明 Code2vec 在此任务上的表现与预训练 RoBERTa 等简单的基于 Transformer 的方法相比具有可比性，并且优于更为简单的基于 NLP 的方法，并在维持低计算需求的同时达到了 61.43％的准确率。

Jun, 2021