本论文介绍了一种简单而健壮的无监督分解模型选择方法（UDR），通过对训练模型表示进行成对比较来量化分离质量，该方法能够使超参数调整和模型选择更加有效，并且与现有的有监督替代方案表现相当。同时，我们还发现，这种排序方法与两个不同领域的最终任务表现有很好的相关性。

May, 2019

使用可表征语法和语义规律的定义句类别训练变分自编码器，并在多个测试中展现其成功解耦表示效果，以及在定义建模中得到的改善。

Sep, 2022

提出一种名为 Disentangled Dense Retrieval（DDR）的新型 Dense Retrieval 框架来支持 DR 模型的有效和灵活的领域自适应，该框架包括一个 Relevance Estimation Module（REM）和几个 Domain Adaption Modules（DAMs），通过使 REM 和 DAMs 分离，DDR 实现了一种灵活的训练范式，在不同的领域和语言中都表现出比强大的 DR 基线更好的排名性能。

Aug, 2022

本研究探讨使用仅通过回答标签的远程监督来训练模型，从大规模语料库中学习寻找证据的能力，提出了一种新的方法（DistDR），该方法在多跳和单跳问答基准测试中与全监督的最先进方法不相上下。

Oct, 2021

本文针对文本 - 视频检索中交叉模态交互问题进行了研究，并提出了一种基于分离框架的、具有序列和分级表示的模型来优化模型性能，通过在各类基准测试上验证表明，该模型取得了较好的效果

Mar, 2022

本研究提出了一种用于跨域图像特征提取和 unsupervised domain adaptation 的深度学习模型，实现了特征的 disentanglement 和适应，并在实验中证实了其有效性和优越性。

May, 2017

基于现有样式和内容信息紧密耦合的特征，本研究提出了一种分解表示学习框架 (DARLING)，旨在通过分离这两种特征来提高适应不同下游任务的能力。实验结果表明，我们的方法在场景文本识别、去除和编辑方面取得了最先进的性能。

May, 2024

本文提出了 polarized-VAE 方法，它通过反映数据点之间在属性相似性方面的相似性度量，可以解开潜在空间中选定的属性的不可避免联系，相对于其他属性的联系降至最低，展现出更好的表现，并适用于其他属性分离任务。

Apr, 2020

信息检索的研究领域逐渐扩大，从搜索服务发展为各种高级应用的关键组成部分。为了提高检索效率、成本效益和实时性，本文介绍了一种名为 Semi-parametric Vocabulary Disentangled Retrieval（SVDR）的新型半参数化检索框架。在三个开放域问答基准测试中，使用整个维基百科语料库进行评估，SVDR 始终显示出卓越性能。它使用基于嵌入的索引在 top-1 检索准确率上比基于嵌入的检索方法 DPR 高出 3％，使用基于二进制令牌的索引在 top-1 准确率上比 BM25 高出 9％。采用二进制令牌索引的方式将索引准备时间从 30 个 GPU 小时减少到仅需 2 个 CPU 小时，存储空间从 31 GB 减少到 2 GB，实现了 90％的降低，相较于基于嵌入的索引。

May, 2024

DiMBERT 是一个新的框架，利用分离的注意力空间对多模态信息进行处理，在引入视觉概念的同时，在文本格式中表示视觉信息，从而加强对视觉和语言之间关联的捕捉，可以用于图像描述，视觉叙事和指称表达的分类任务，并可以轻松的集成到现有的视觉和语言模型中以提高性能。

Oct, 2022