我们提出了一种新颖的随机抽样方法 SCONE，通过基于评分的生成模型生成动态增强视图和多样的困难负样本，以克服数据稀疏性和负采样等图协同过滤模型面临的挑战。在六个基准数据集上的全面评估中，我们的 SCONE 显著提高了推荐准确性和鲁棒性，证明了我们方法在现有 CF 模型上的优越性。此外，我们证明了针对用户稀疏性和物品热门度问题的用户 - 物品特定随机抽样方法的有效性。随机抽样和基于图的协同过滤的整合，在个性化推荐系统中取得了最先进的成果，实现了在信息丰富环境中的重要进展。

May, 2024

本文提出一种简化负采样模型的方法，通过针对设计的内存进行高效采样，解决模型学习中的假阴性问题。在两个合成数据集和三个真实数据集上的实证结果表明，该方法在负采样方面具有鲁棒性和优越性。

Sep, 2020

通过对 11 个基准数据集进行广泛的实验，本研究体现了损失函数以及负采样比率的重要性， 并进一步将余弦对比损失函数用于一个简单的统一协同过滤模型 SimpleX 中， 结果表明，在 CCL 损失和大负采样比率下，SimpleX 可以大幅度超越大多数当前最先进的模型。

Sep, 2021

在图对比学习中，我们提出了一种名为 DropMix 的新方法，用于合成更加困难的负样本，通过选择和混合难负样本的表示维度，减少信息丢失，从而提升图对比学习性能。

Oct, 2023

提出一种无监督的异常检测方法，利用负采样创建负样本，并利用分类器区分正样本和负样本来查找设备的运行异常，证明负采样方法与神经网络分类器可有效应用于真实气候控制设备的故障预测。

Jul, 2020

研究表明，在自监督学习中使用 hard negatives, 数据混合等技术可以提高视觉表示的质量，本文提出了一种基于特征水平的硬负例混合策略，并在多个任务上验证其有效性。

Oct, 2020

通过提出一种名为 DeMix 的易于嵌入的去噪混合方法，将负样本三元组进行改进，使之成为高质量的三元组，从而保证了知识图谱嵌入模型的更快收敛和更好的链接预测结果。

Oct, 2023

本文提出了一种自监督的协同过滤框架 (SelfCF)，能够用于隐式反馈的推荐场景，该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型，通过三种输出扰动技术来增强骨干网络生成的嵌入，尽管不区分背骨模型，但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性，训练速度为 2×-4×，平均能提升 17.79％与自我监督框架 BUIR 相比。

Jul, 2021

通过双重校正框架进行去噪推荐，解决了推荐系统中显式反馈嘈杂样本的问题，提高了准确性和数据利用率。

May, 2024

本文介绍了一种基于 UnReMix 的 hard negative sampling 策略，该策略考虑了锚点相似度、模型不确定性和代表性，实验结果表明，与现有的对比学习方法相比，UnReMix 可以改进负样本的选择，从而提高下游任务的性能。

Jun, 2022