本文提出了一个通用的深度神经机器翻译模型， Unified Model Learning for NMT (UMLNMT)，它能够在多种翻译任务中实现智能的即时翻译，相较于基于具体数据集训练的模型，该模型的性能有了显著的提升，部署成本也大大降低，并且在生成多样化、高质量的翻译方面表现优异。此外，作者也提供了一个关于名言警句的中英文句子翻译数据集。

May, 2023

本文提出了一种保持边界的度量学习框架，同时学习距离度量和潜在样本。该方法在处理大规模数据集时具有高效性，并且可以使学习的度量对数据不确定性具有鲁棒性，并且通过实验证明了该方法的有效性和高效性。

May, 2018

提出了一种名为 Universal Parallel Tuning (UniPT) 的新型内存高效 PETL 策略，通过轻量级的可学习并行网络进行传输过程，减少内存消耗，并在不同架构上在低内存场景下实现更高的性能。

Aug, 2023

我们提出了一种基于双曲空间的带不确定性度量学习的图像嵌入算法，通过广泛的实验验证了该算法在相关方法中达到了最新的成果，并通过全面的剖析研究验证了提出算法的每个组成部分的有效性。

Oct, 2023

本文提出了一种新的自学习框架用于无监督度量学习，该框架通过交替预测数据之间的类等价关系和利用预测的关系作为伪标签来学习模型。其中的算法能够有效地进行端到端的训练，因为它不需要伪标签的现成模块。通过在标准的度量学习基准上的表现，它明显优于现有的无监督学习方法，有时甚至比使用相同基础网络的监督学习模型更好。它也被应用于半监督的度量学习，并通过提高监督学习的性能，实现了现有最先进的表现。

May, 2022

本文提出了一种名为多样化互惠度量学习的有效互惠学习方法，通过利用互相学习中的三种多样性来增强嵌入模型的互惠学习，从而传递深层度量学习的关系性知识。试验表明，该方法显著提高了单个模型以及其集合的性能，并在常规数据集上取得了最好的回忆率 @1 表现。

Sep, 2020

提出了一种学习跨多个不同领域数据集应用的传输度量的框架，在使用基于嵌入空间的指定聚类的情况下，在少量训练集和浅层网络的情况下，我们在多个变量复杂度的数据集上实现与最新技术水平相当的结果。

Feb, 2023

通过引入源准确度和数据增强，本文提出了一种新的无监督领域适应度评估指标，名为增强一致性度量。通过大规模实验证明了该指标的有效性，并且在四个常见基准测试中，相比手动调优的超参数集，自动搜索得到的超参数集表现更加优越。

Aug, 2023

本文提出了一种基于通用加权框架的新型多项式损失函数，该框架适用于异构特征的跨模态匹配，并成功应用于两个图像 - 文本匹配基准和两个视频 - 文本匹配基准。

Oct, 2020

本文提出了一种新的自适应度量学习框架，其通过基于 ANN 的度量学习来自适应地学习模型复杂度，并且通过自适应约束的流来进行学习，并通过 Adaptive-Bound Triplet Loss（ABTL）利用输入的约束，通过 Adaptive Hedge 更新（AHU）方法在线更新模型参数，我们在真实世界的图像分类，面部验证和图像检索等各种应用中验证了我们框架的有效性和功效。

Apr, 2021