从粗略标记的数据中发现细粒度类别是一项实用且具有挑战性的任务，本文提出了一种自我监督的框架 ——Denoised Neighborhood Aggregation (DNA)，它能够将数据的语义结构编码到嵌入空间中，通过聚合邻居信息来学习紧凑的聚类表示，并能够捕捉到数据之间的语义相似性和形成紧凑的细粒度聚类。

Oct, 2023

本论文提出了一种基于对比学习方法的学习强大点云表示的新策略，该方法可以嵌入任何点云分类网络中，通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化，并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题，并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本，实验证明该方法比现有技术表现更好，并在现有技术中实现了显著的性能提升。

Jan, 2022

本文提出了一种基于自监督训练的方法，通过利用所有训练数据的信息，为每个样本提取有意义且可泛化的嵌入空间，从而去除 out-of-distribution 样本，并使用迭代的 Manifold DivideMix 算法找到干净和有噪音的样本，以半监督的方式训练模型。此外，我们还提出了一种名为 MixEMatch 的半监督算法，其中包括在模型的输入和最终隐藏表示中进行 mixup 增强，通过在输入和流形空间进行插值提取更好的表示。对多个合成噪声图像基准和真实世界的网络爬取数据集进行的广泛实验证明了我们提出的框架的有效性。代码可在此 https URL 找到。

Aug, 2023

本文提出了一种新颖的抗噪声深度度量学习算法，称为密度感知度量学习，其通过将模型迭代地向集群的最密集区域移动来实现更快速的收敛和更高的泛化性，并对两个具有挑战性的跨模态人脸识别数据库和两个流行的物体识别数据库进行了详细的实验和分析，表明该方法具有卓越的收敛性、较短的训练时间以及比其他流行的深度度量学习方法更好的精度。

Apr, 2019

提出一种学习图像密集对应的新模型，能对几何形状不同的物体进行自动化且简单的密集姿态估计，适用于人类和动物类的各种变形物体。

Nov, 2020

本文提出了基于多样性损失函数的神经网络集成方法，以适应多模态数据的建模，并证明了其在数据分布变化和识别未知数据方面的显著性能提升。

Mar, 2020

本研究提出了一种基于深度学习的变形感知嵌入方法，致力于用于解决给定查询形状的可变形三维模型检索问题，并通过实验表明，该方法比传统基于度量的方法表现更出色。

Apr, 2020

CODER++ 使用动态难样本在对比学习中提供细粒度的表示，从而在生物医学术语聚类方面取得更好的效果，应用于 BIOS 的生物医学概念聚类中。

Apr, 2022

本文提出了一种集成多种模型的混合方法，以解决生物医学实体识别中的局限性，并在 i2b2/2010 数据集上评估，得到了 90.11 的 F1 分数。

Dec, 2023

提出了一种基于高效神经网络扩散（BEND）的 Bagging 深度学习训练算法，通过使用多个训练的扩散模型构建基础分类器，实现多样性和降低成本，取得了比传统方法更好的准确性和多样性，并成功引入了扩散模型进入新的深度学习训练领域。

Mar, 2024