本文提出 Parametric Contrastive Learning（PaCo）来解决长尾识别问题，通过引入一组类内可学习参数来重新平衡优化，PaCo 可以自适应地提高将同类样本推向一起的强度，并造福于难度样本学习。实验表明，使用 PaCo loss 在长尾 CIFAR，ImageNet，Places 和 iNaturalist 2018 上具有新的领先水平。

Jul, 2021

通过提出一种自平衡协助对比框架（BaCon），该框架包括对比学习分支和伪标签分支，协同工作提供交互式监督以解决分布不可知的广义类别发现任务，在长尾开放世界环境中生成针对接近集和开放集类别的细粒度预测。与其他相关领域的最先进方法进行比较，BaCon 表现出卓越的性能，并在各种数据集上进行了综合分析。

Oct, 2023

在研究中，我们提出了一种新颖的概率对比学习算法（ProCo），它通过估计特征空间中每个类别的样本数据分布并相应地采样对比对，以克服由于数据不平衡而导致的标准有监督学习算法性能下降的难题。我们引入了一个合理简单的假设，即在对比学习中，归一化特征遵循单位空间上的一组 von Mises-Fisher（vMF）分布的混合分布，利用该分布参数的估计，我们可以采样无限数量的对比对，并得到了对比损失的闭合形式，从而实现高效优化。

Mar, 2024

PaPi 是一种基于线性分类器和原型分类器的简单框架，用于处理部分标签学习任务，通过显式地鼓励表征反映类别间的视觉相似性，以在表示学习中提高性能并促进标签消歧，并已在各种图像分类任务中比其他 PLL 方法表现更优。

May, 2023

本文提出一个 PiCO 框架，包括对比学习模块和新型基于原型的标签消歧算法用于解决部分标签学习的问题。该框架可以对相同类别的样例进行紧密对齐并促进标签消歧，并在嘈杂的部分标签学习任务中表现出色，甚至可以与完全监督的学习相媲美。

Jan, 2022

本文提出 EqCo（基于等效规则的对比学习），可以使用仅包含极少数量负样本（如每个查询仅包含 16 个）的自监督对比训练在大规模图像数据集（如 ImageNet）上以接近原有准确率进行，缩短了当前实践中大型批量训练或记忆库机制所需的训练时间。此外，作者提出的 simplified MoCo（SiMo）在使用较少负样本情况下在 ImageNet 上表现与 MoCov2 相当，提示负样本数量不是对比学习框架的关键因素。

Oct, 2020

本篇论文提出一种名为 MixCo 的半阳性对比学习方法，它可以通过学习混合图像的相关相似度，有效提高自我监督学习中的图像表示性能。在实验中，MixCo 在 TinyImageNet、CIFAR10 和 CIFAR100 等基准测试集上一致地提高了测试准确率，且当模型大小等学习能力受限时，改进效果更为显著。

Oct, 2020

本文提出一种名为 Token-Aware Cascade 的算法，使用两种新技术来改进对比学习，包括考虑单词的语法类别的 token-aware 对比损失和应用级联采样方法用于有效评估多模态融合层的损失。实验证明，Token-Aware Cascade 算法在文本 - 视频检索、视频动作定位和视频动作分割等下游任务中表现卓越，超过了以往的方法，成为了 YouCook2、MSR-VTT 和 ActivityNet 等三个公共文本 - 视频检索基准数据集的新的表现最佳算法。

Aug, 2021

本研究提出了一种名为 “Pseudo-supervised Contrast (PsCo)” 的无监督元学习框架，可以在少样本分类任务中改进伪标签并以渐进方式构建多样化的任务，实验证明该框架在各种领域和跨领域的少样本分类基准测试中表现优异。

Mar, 2023

通过基于极坐标转换的渐进对比学习的自监督方法，我们提出了一种用于眼科疾病诊断的自动方法。实验结果表明，我们的方法在三个公共眼科疾病数据集上达到了最先进的性能，具有良好的泛化能力，验证了我们的方法可以减少注释工作并提供可靠的诊断。

Mar, 2024