通过层次参数覆盖和由此引起的决策边界畸变，该方法通过 HSIC-Bottleneck 正交化和 EquiAngular 嵌入实现非覆盖参数更新和旧任务与新任务之间的决策边界适应，从而在没有缓冲区的情况下实现了竞争性准确性表现。

Jan, 2024

介绍了使用 HSIC 瓶颈训练深度神经网络，它可以缓解爆炸和消失梯度的问题，实现了在没有跳跃连接的情况下学习非常深的网络，而且在不需要对称反馈或更新锁定的情况下，可以获得 MNIST / FashionMNIST / CIFAR10 分类等优异的性能。同时，使用 SGD 训练单独的一层可以进一步提高性能。

Aug, 2019

通过加入 HSIC 瓶颈作为规范化器，我们通过增加每个中间层的正则化项，使潜在的表示保留输出预测的有用信息，同时减少冗余信息，并在理论和实验上证明了 HSIC 瓶颈增强了对抗性攻击的鲁棒性。

Jun, 2021

本研究从统计相关性的角度探讨自我监督学习方法，提出了一种基于 Hilbert-Schmidt 独立性准则（SSL-HSIC）的自我监督学习方法，该方法最大化与图像表示转换和图像身份的相关性，并将那些表示的核化方差最小化。实验表明，该方法在 ImageNet 数据集上的表现可以匹敌当前的最佳方法。

Jun, 2021

研究通过使用 Hilbert-Schmidt 独立准则（HSIC）作为依赖度量来测量 DNN 中图层之间的依赖关系，从而更准确地研究 DNN 中的信息瓶颈和泛化特性，并在实验中评估了该方法在 auto-encoding 的应用。

Feb, 2018

本研究提出了一种名为 HSIC 的方法，它通过二进制压缩彻底超越了传统的图像聚类方法，可以有效地应对大规模多视角图像聚类问题，并成功减少了计算时间和内存占用。

Sep, 2018

通过确定一组父节点的可识别性条件，本文提出了一种基于最优调整算法的学习贝叶斯网络的方法，使用 Hilbert-Schmidt 独立性准则进行优化问题，证明了高阶 HSIC 的增量属性，实验证明该算法在不同合成数据集和实际数据集上优于现有方法，在 Sigmoid 混合模型中，算法的结构干预距离（SID）比 CAM 算法小 329.7，表明该算法对图的估计缺少的边更少。

Aug, 2023

本文提出了一种层次对比学习框架 HiCL，它考虑了局部分段级和全局序列级关系以提高训练效率和效果。通过将序列分为几个分段，并应用局部和全局对比学习来建模分段级和序列级关系，HiCL 提高了其效果。此外，考虑到输入标记上的 transformers 的二次时间复杂度，在获得序列表示之前，HiCL 通过首先对短分段进行编码，然后将它们聚合起来来提高训练效率。大量实验证明，HiCL 提升了之前表现最好的 SNCSE 模型在七种广泛评估的 STS 任务上的性能，BERT-large 平均提升了 + 0.2%，RoBERTa-large 提升了 + 0.44%。

Oct, 2023

提出了一种新的学习范式 —— 提示增强的上下文学习（Hint-enhanced In-Context Learning，HICL），通过从示范中提取与查询相关的知识，以更明确的方式提示大型语言模型（LLM），用于开放域问答，从而提高性能。

Nov, 2023

本研究提出了一种新的学生建模框架 SAICL：使用辅助交互级对比学习的学生建模，可以利用自监督和监督的交互级对比目标，不受数据增强方法的限制，在不损失推理成本的情况下实现了与其他最先进模型可比拟的知识追踪和退学预测性能。

Oct, 2022