本研究采用深度学习方法，通过利用表格的上下文语义特征和知识库查询算法，实现了对没有元数据的表格的列类型预测，不仅在单独的表格集上表现良好，转移学习到其他表格集也有良好的性能。

May, 2019

该论文提出了一种基于字符级卷积神经网络的转移学习方法，用于语意分类表格数据，并开发了一个名为 SIMON 的工具包，它可以在自然语言处理中进行分类、垃圾邮件分类和社交媒体年龄预测等任务。

Jan, 2019

地址 “临时表检索” 的问题，提出了一种通过语义匹配查询和表格的方法，通过在多个语义空间中表示查询和表格，并采用各种相似性度量将这些特征用于监督式学习模型中，针对维基百科表格集合进行了实验，并取得了显著和实质性的改进。

Feb, 2018

TableNet 是一种用于构建互联维基百科表的知识图谱的方法，在表间进行等价和子集关系对齐的同时具有较高的准确性和覆盖率。

Feb, 2019

该研究论文介绍了一种有效的数据抽样机制，通过基于文本信息而不经过计算密集型模型或其他密集预处理转换，将新数据点分类为语音识别难度桶。结果表明，使用该方法比随机预测提高了 93% 的 ASR 性能精确度，并对文本表示在语音模型中的影响提供了重要信息。此外，一系列的实验证明了使用 ASR 信息对模型进行细调的益处和挑战。与随机抽样相比，报告了 7% 的验证损失下降，针对高难度数据集的非局部聚合的 WER 降低了 7%，并且在数据集之间具有高语义相似性的局部聚合下，WER 降低了 1.8%。

Feb, 2024

通过实体识别和关键词提取获取会议的领域特征，并将其作为特征和会议信息输入到 BERT 网络中，使用孪生网络结构解决 BERT 的各向异性问题，最终使用余弦相似性计算两个会议之间的相似性。实验结果表明，在不同数据集上，SBFD 算法取得了良好的结果，并与对比算法相比，Spearman 相关系数有一定的提高。

Mar, 2022

本文介绍了我们在 2021 年 FinSim-3 共享任务中针对金融领域语义相似度学习的方法。我们提出了两种方法：在自定义语料库上预训练的 SRoBERTa 和结合 FastText 模型改善基线词嵌入方法的双重词 - 句嵌入模型。在平均准确度和平均排名两方面我们的系统均获得第二名，分别得分为 0.917 和 1.141。

Aug, 2021

提出了一种名为 TabularNet 的新型神经网络结构，采用 CNN 模型来进行表格数据的空间编码，并且利用基于 WordNet 树的图构建方法来进行单元格之间复杂的关系编码，结果表明该方法有效提高了表格分类任务的精度.

Jun, 2021

本文介绍了一种称为元语义学习 (Meta-SeL) 的方法，该方法利用两个输入的 3D 局部点（输入 3D 模型和部分分割标签），提供了一种时间和成本高效、精确的投影模型，用于许多 3D 识别任务。根据结果表明，Meta-SeL 在与其他复杂的最新研究的比较中，表现出了竞争性能。此外，Meta-SeL 对随机洗牌不变性具有弹性，也对平移和抖动噪声有较高的鲁棒性。

May, 2022

通过在稀疏的表格数据中利用拓扑约束网络表示结构，我们提出了一种新颖的深度学习架构，利用卷积提取空间信息，并通过网络拓扑的有限概念来确保数据导向、可解释性和可扩展性，在 18 个基准数据集上测试表明，我们的方法在这些具有挑战性的数据集上达到了最先进的性能。

Aug, 2023