CLIPPER 是一个用于在噪声和异常值存在的情况下进行强健数据关联的框架，使用几何一致性的概念将问题建立在图论框架中。通过对组合问题的松弛求解，使用高效的投影梯度上升方法实现了低时间复杂度并且实验结果表明在高噪声和异常值下仍有较高的精度和召回率。

Nov, 2020

CLIPPER + 是一种用于异常鲁棒的全局配准的寻找最大团的算法，通过近似求解最大团问题以提高计算效率和解决方案准确性，在标准图基准、合成和真实世界点云配准问题上表现出最高的准确性。

Feb, 2024

对比语言 - 图像预训练（CLIP）已经因其非凡的零 - shot 能力而受到广泛关注。本研究聚焦于开发高效的微调方法来提升 CLIP 在下游任务中的性能，其中包括提示学习和适配器。然而，这些方法仍然需要额外的训练时间和计算资源，对于资源有限的设备来说并不理想。因此，我们重新审视了经典算法高斯判别分析（GDA），应用它于 CLIP 的下游分类中。通过利用贝叶斯公式，高斯判别分析假设每个类别的特征都服从具有相同协方差的高斯分布。我们将 GDA 与 CLIP 中的原始零 - shot 分类器进行集成，以融合视觉和文本模态的知识。对 17 个数据集进行广泛的实验证明，我们的方法在少样本分类、不平衡学习和超出分布泛化等方面超过或达到了与最先进方法相当的结果。此外，我们还将我们的方法扩展到基于新类别的推理和无监督学习，再次展示了其优越性。我们的代码在 https://github.com/mrflogs/ICLR24 上公开可用。

Feb, 2024

本文通过引入多模态模型 (CLIP)，提出了一种基于文本检索的机制，通过挖掘带标签和无标签文本库中的文本描述来实现联合图像 + 文本半监督聚类，该方法在多个数据集上得到了最优结果。

May, 2023

提出了一个名为 TEASER 的算法，它使用 TLS 成本和图论框架来解决 3D 点集之间的快速且可靠的配准问题，能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限，并且在标准和 3DMatch 基准测试中都表现出跨越式的性能优势。

Jan, 2020

使用 Gentle-CLIP 方法，通过将半监督多模态对齐转化为流形匹配问题，利用新型的语义密度分布损失、多核最大平均差异和自监督对比损失等技术实现了更少匹配对的多模态对齐，提升了表示分布的稳定性和模态间的距离，且在蛋白质、遥感和图像语言领域的多个任务上得到了验证。

Jun, 2024

本文介绍了一种名为 ROBIN 的方法，它基于不变量理论和兼容图模型，可以高效地解决机器人，计算机视觉和学习中数据关联和特征匹配引起的异常值问题。

Nov, 2020

该论文提出了一种名为 CLIP 的新型数据处理方法，该方法集成了课程学习和数据集修剪，通过迭代数据修剪来提高模型的学习精度和收敛速度。在人群密度估计模型上进行了大量实验，结果表明，将数据修剪视为课程学习的嵌入过程是新颖的，此方法可以通过减少收敛时间和提高泛化能力来提高训练的效率。

Dec, 2022

本文提出了一种非常高效的最大团算法，通过组合策略和基于图着色的边界和修剪，解决了匹配的成对约束问题，从而解决了三维点云配准中的问题。

Feb, 2019

本文提出了一种名为 FedCLIP 的有效且简单的方法，通过为大型模型 CLIP 设计一个基于注意力的适配器，其余操作仅依赖于适配器，从而实现了联邦学习中 CLIP 的快速归纳和个性化。实验表明，FedCLIP 在计算和通信成本方面显着优于其他基线。

Feb, 2023