该研究提出了一种新的方法，名为 Field-matrixed Factorization Machines（FmFM，或 FM^2），用于有效和高效地建模数据中的字段信息，在交叉项剪枝的基础上支持字段特定变量维度的嵌入向量，并通过缓存中间向量进一步优化模型，实验结果显示该方法可以优于 FFM 和 DNN 模型。

Feb, 2021

眼动（EM）是一种新的高度安全的生物行为模态，在近年来引起了越来越多的关注。本文提出了一种名为 EmMixformer 的混合 Transformer，用于提取眼动识别的时域和频域信息，通过学习长时间依赖关系、短时间依赖关系和全局特征，可以提高识别准确性。实验结果表明，EmMixformer 在眼动数据集和两个公共眼动数据集上的性能优于现有技术。

Jan, 2024

该论文提出了一种称为 Field-weighted Factorization Machines 的算法，以更加内存高效的方式建模不同领域之间的不同特征交互，实现点击率预测，并与其他算法进行了比较。

Jun, 2018

本文提出了一种新的神经点击率模型 FAT-DeepFFM，该模型通过将 DeepFFM 与 CENet 场注意力机制结合起来以突出特征重要性，并在真实世界数据集上的实验结果表明，FAT-DeepFFM 在 CTR 预测任务方面的性能最好，并获得不同于现有方法的改进。

May, 2019

基于大规模用户点击日志的自我监督学习对于点击率（CTR）预测仍然是一个开放性问题，而我们提出了一个无模型的预训练框架，利用特征破坏和恢复，挖掘多领域分类数据的特征交互，并通过两种实用的算法（即遮蔽特征预测和更替特征检测）进一步优化 CTR 预训练，实现了在 CTR 预测方面的有效性和效率的新的最先进表现。

Aug, 2023

本文提出了一种基于多个不完美的多曝光图像融合贡献者的集合框架（EMEF）以解决当前的 MEF 问题，通过在预训练阶段统一网络模仿不同的 MEF 目标，并在运行时通过优化风格代码来调整模仿者网络，进而在最新的 MEF 基准测试数据集上取得了最好的实验结果。

May, 2023

本研究采用 CubeMLP 基于 MLP 的多模态特征处理框架，将不同来源的情感分析和抑郁症评估数据混合并使用，证实其可在计算成本更低的状态下取得最先进的性能。

Jul, 2022

本文提出了一种新颖的基于张量的特征交互网络模型（Tensor-based Feature interaction Network，TFNet），通过多个语义空间中的多个多维矩阵，引入操作张量来阐述特征交互，从而在 CTR 预测、推荐系统等方面实现了更好的表现。

Jun, 2020

本文提出了一种基于 MLP-Mixer 的多视图多标签神经网络用于网络流量分类，将报文分为报文头和报文体，并从不同的视图输入报文的流特征，通过利用不同场景之间的相关性来改善分类性能，在三个公共数据集上进行了实验，结果表明我们的方法可以取得更好的性能。

Oct, 2022

本文介绍了一种新型的 FLEN 模型和 Dropout 技术，用于解决应用推荐系统中的 CTR 预测问题，该模型可以在使用较少的模型参数和时间复杂度的情况下捕获字段内和字段间的特征组合，并在实际在线环境中得到了实验及测试的效果验证。

Nov, 2019