本文提出了一种新的基于场景的范式，称为 Scene Graph Reasoner (SGR)，用于以场景的方式联合跟踪所有实体的状态，并引入了一系列动态演化的场景图来共同制定实体、状态及其关联的演化，从而可以联合捕获所有实体和状态之间的深度交互，并同时推导出场景图。实验证明，SGR 不仅实现了新的最先进性能，而且显着加速了推理速度。

Mar, 2022

研究了手续性文本理解的挑战，发现外部知识注入和数据不足的问题，提出了一个多阶段训练的知识感知 KOALA 模型，最终在 ProPara 和 Recipes 数据集上达到了最先进的性能表现。

Sep, 2020

通过提出 Global-Local 语义一致性学习方法，该研究利用文本 - 视频预训练模型，实现在文本 - 视频检索中的高效性和效果提升。通过全局和局部交互模块实现粗粒度和细粒度的语义对齐，并引入一致性损失和多样性损失，达到概念对齐和生成更有区分性的概念的目的。实验结果表明，该方法在多个基准测试中具有优越的性能和高效率。

May, 2024

该研究提出了一种全局 - 局部对比学习框架来解决现有模型仅能隐式对齐跨语言语音理解的问题，该框架通过使用对比学习和双语字典构建多语言视图，并通过局部和全局组件实现了细粒度跨语言转移，实验证明 GL-CLeF 方法取得了最佳性能。

Apr, 2022

利用对比学习的方法，我们提出了基于本地与全局历史信息的对比学习模型 (LogCL)，用于时态知识图推理，该模型通过实体感知注意机制捕捉与查询相关的关键历史信息，并设计了四种历史查询对比模式，从而提高了模型的鲁棒性和预测性能。实验结果表明，LogCL 相较于现有基准模型取得了更好且更鲁棒的性能。

Dec, 2023

本文介绍了一种新型的神经理解模型，它动态更新实体状态并利用多模态信息帮助理解计算机常识任务，使用这种方法显著提高了之前报告的模型的准确性。

Sep, 2019

本文介绍了一种针对过程性文本理解的新型学习框架，通过利用独立描述的标签一致性，在训练时构建一致性偏差来提高性能。在 ProPara 数据集上的评估表明，该方法显著提高了先前最先进系统的预测性能（F1）。

Jun, 2019

GLIPv2 是一个基于视觉语言的预训练模型，将定位预训练与语言视觉预训练相结合，并具有短语地基、区域 - 单词对比学习和遮蔽语言建模三个预训练任务。该模型在各种定位和理解任务上表现接近最好的水平，同时也显示了强的零件和少量样本识别性能，以及优异的理解能力。

Jun, 2022

该研究介绍了一种用于程序化阅读理解的算法，将文本转换成一般的形式，将过程表示为实体属性的转换序列，利用预训练的语言模型，同时预测实体属性和它们的转换，实现了对 ProPara 和 npn-cooking 两个数据集的最新成果。

Mar, 2020

本文提出了一种 GLSCL 任务，旨在促进全局 - 局部对齐和局部 - 局部对齐，该任务包括 MGSC 和 MLTC，可通过跨模式交互补充掩码数据的缺失语义并恢复全局和局部特征，实验结果显示，该方法在多种视觉语言基准测试中获得了最先进的性能。

Jun, 2023