本文提出了一种基于对比学习的无监督表征学习方法 CURL，其可以从原始像素中提取高层特征，并在此基础上进行偏置控制，在 DeepMind Control Suite 和 Atari Games 中均实现了比先前基于像素的方法更好的性能表现，在 10 万个环境交互和环境步骤基准测试中分别表现出了 1.9 倍和 1.2 倍的性能增益。在 DeepMind Control Suite 中，CURL 是第一个能够与使用基于状态特征的方法几乎匹配样本效率的基于图像的算法。我们的代码已开源，并可在此 https URL 下载。

Apr, 2020

本文介绍了对无标签数据进行特征提取的一种技术 Contrastive unsupervised representation learning (CURL)，论文扩展了 Arora 等人 2019 年的工作，提出了 PAC-Bayesian generalization bounds 来处理非 iid 情况，并制定了一种新的表示学习算法，实验结果表明此算法具有不俗的精度和泛化性能。

Oct, 2019

本文介绍一种基于对比学习的用户搜索行为序列生成方法，包括三种数据增强策略，通过将用户行为序列与其他序列进行对比，生成更鲁棒的表示，在文档排名中应用，取得了比现有方法显著更好的效果，展现了该方法在上下文感知文档排名方面的有效性

Aug, 2021

提出了一种名为 M2CURL 的多模态对比无监督强化学习方法，该方法可以有效整合不同的观察模态，通过学习高效的表征进而提高强化学习算法的稳健性和样本效率。该方法在触觉模拟环境中得到了验证，相较于标准的强化学习算法，其学习效率显著提高，表现为更快的收敛速度和更高的累积奖励。

Jan, 2024

提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

Oct, 2020

使用曲线对比学习生成语义有意义的对话图曲线话语嵌入，可用余弦相似度比较，通过生成的双编码器模型指导转换器作为零 - shot response ranking 模型，通过投影目标话语和相应的回复候选人到一个潜在空间，探讨如何利用前向语言表示来评估序列的可能性，发现在 DailyDialog 数据集中有 61.56% 的对话具有规划能力，最后展示了如何利用曲线特性快速对一百万个话语和上下文对进行排名。

Nov, 2022

该研究开发了一种利用自监督对比学习和少样本迁移学习的方法，能显著减少标注数目，并提高面向未知领域技能的泛化性能。

Oct, 2020

本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。

May, 2019

本研究提出了一种名为 CURL 的方法，用于解决无监督的连续学习问题，通过学习动态的任务表示，以应对任务标识的缺乏，探索了任务之间的突然变化、平滑过渡和数据乱序等不同情况，并在 MNIST 和 Omniglot 数据集上证明了其强大性能。

Oct, 2019

介绍 Intent Contrastive Learning（ICL）的方法，该方法是一个通用的学习范式，将潜在的用户意图变量纳入 SR 模型，通过自监督学习（SSL）来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明，该学习范式的性能超越了传统方法，同时提高了模型的稳健性。

Feb, 2022