本文提出了 ContraGAN 的方法，利用条件对比损失函数，考虑同一批次中多个图像嵌入之间的关系 (data-to-data relations) 和数据与类的关系 (data-to-class relations)。实验结果表明，ContraGAN 在 Tiny ImageNet 和 ImageNet 数据集上比现有模型分别提高了 7.3% 和 7.7% 的性能表现，并且对比学习有助于解决判别器过拟合的问题。

Jun, 2020

本文介绍了应对在自然语言生成中源代码编辑的二义性问题的解决方案 ——ContraCode，通过对许多非等价程序的功能相似变体进行对比预训练的方式来实现源代码功能性的学习，并在 JavaScript 总结和 TypeScript 类型推断准确性上取得了较大的提升。

Jul, 2020

提出了一个新的基于对比学习的方法 ——SimCTG，和一个解码方法 —— 对比搜索，用于提高文本生成质量。在两种语言的三个基准测试上，我们的方法在人类和自动评估指标方面均显著优于当前最先进的文本生成方法。

Feb, 2022

本研究提出了 ContraD 方法，将对比性表示学习方案融入生成对抗网络鉴别器中，使得生成器以更强的数据增强方式工作而不会增加训练不稳定性，并且在对比学习中也能受益。实验结果表明，GANs with ContraD 在 FID 和 IS 方面表现更好，还能通过简单的潜在采样诱导许多条件生成模型。

Mar, 2021

本研究评估了 16 种主要语言的自回归 LMs 的各向同性，并推出一个校准自回归 LMs 表示的对比学习方案，并基于此方案提出了一种新的解码方法，称为对比搜索，它在各种各样的基准测试中取得了最新的成果，显示出其高度的性能，无需任何附加的训练，其中在 16 个被评估的语言中有 12 个语种比人类评估得分相当。

Oct, 2022

本文提出了一种新的对比学习框架 CoNT，它从对比示例、对比损失和解码策略三个方面解决了对比学习在生成任务中使用的瓶颈问题，实验结果表明 CoNT 在机器翻译、数据摘要、代码注释生成等十个基准测试中都表现出优异的表现，特别是在摘要生成任务上达到了新的最好结果。

May, 2022

本研究提出了一种基于对比学习的相似度度量方法 ContraSim，相较于传统的相似度度量方法，应用于语言和视觉模型的多语言以及图片 - 文字配对测试中都表现出更高的准确率。

Mar, 2023

本篇论文提出了一种名为 ConCNER 的新颖双重对比框架，针对有限来源语言标注数据的跨语言命名实体识别问题，通过翻译对数据进行增广，并利用对比学习和知识蒸馏的方法，提高模型的性能。

Apr, 2022

本文提出一种新型对比学习方法，以有效地学习和表达所考虑词语的语义组成部分，并使模型在进行定义生成任务时，能够生成更具体、高质量的定义，实验证明该方法优于现有模型。

Oct, 2022

使用 InfoNCE 系列的 feedforward 模型通过隐式反转观察数据的基础生成模型来实现使学习到的表示方法适用于大量下游任务的目标，这种理论强调了对比学习，生成建模和非线性独立成分分析之间的基本联系，为推导出更有效的对比损失提供了理论基础。

Feb, 2021