本研究探讨使用半监督学习方法在训练集中加入未标记的新类图片，以提高表示学习在搜索新类别图片时的效率，并提出了一种新的评估方法来评估基于半监督学习方法的表示学习，在语义差异较大时，相比于传统监督学习，基于半监督学习的表示学习可以在搜索新类别图片时取得更好的效果。

Aug, 2022

本研究提出了一种新型的自监督关系式推理算法，通过学习如何区分实体之间的关系，使得在底层神经网络骨干中具备丰富的关系描述能力。该算法在标准数据集、协议和骨干模型上的实验结果表明，它的准确性比现行同类算法平均提高 14％，比最近的最先进算法提高 3％，对提高下游任务的表现非常有效。

Jun, 2020

本文介绍了一种名为 PAT-SND 的文本新颖性检测模型，该模型在细粒度语义层面对文本进行分析，完善了现有以主题为基础的新颖性检测方法，通过对文本中指称实体及其背景知识的关系进行语义推理，有效地提高了 named entities 新颖性检测的准确性。作者还创建了一个经过注释的数据集，在实验中，PAT-SND 表现出比其他 10 个基线模型更好的性能。

Oct, 2022

该研究提出了一种称为 Semantics Induced Learner（SIL）的模型，用于解决图像理解中的对象关系检测任务，结合了自底向上和自顶向下的注意力机制，通过一次学习就能够有效地和稳健地适应大量具有不同外观的对象关系，证明了该框架在目标关系检测方面的有效性。

Jul, 2018

通过引入显式关系推理和语义嵌入，利用少量数据探测新颖物体的性能较稳定且鲁棒，相比于显式和隐式样本较少时可以取得明显更好的结果。

Mar, 2021

我们提出了一种神经方法来学习语义相关性，并通过学习单词对句子或单词到单词的关系分数来改善文本识别性能，证明了在识别图像中的文本时，语义相关性可以优于其他度量标准。

Sep, 2019

该研究提出了一种基于逻辑引导的语义表示学习模型，通过知识图谱嵌入和逻辑规则，在已知和未知关系之间建立联系，用于零样本关系分类。实验结果表明，该方法可以推广到未见关系类型，并取得了有希望的提升。

Oct, 2020

本文介绍了一种新颖的框架 Relational Neural Machines，它可以对学习器的参数和基于一阶逻辑的推理器进行联合训练，下面将介绍其在大规模关系任务中的可行性和良好效果。

Feb, 2020

本文提出一种无监督的学习方法，利用先验知识模拟人类感知的组成性质，从视觉图像中发现对象并建模它们之间的物理交互，具有优秀的计算效率和建模能力，能够处理遮挡和推广到不同数量的对象场景。

Feb, 2018

研究了一种基于层次分类框架的、更加信息化的新颖性检测方案，该方案可以使用置信校准分类器和数据重新标记等方法，找到一个新类的最接近的超级类，并为其他常用语义嵌入提供了改进的泛化零 - shot 学习性能。

Apr, 2018