本文介绍了一种提供视觉分类任务向量表示的方法，该表示可用于推断任务及其关系的性质，并提供了独立于细节（如类标签语义的理解等）的任务的固定维度嵌入。我们还展示了该框架的实用价值以及通过学习嵌入度量来选择预训练特征提取器的简单元学习框架。选择具有任务嵌入的特征提取器可获得接近最佳特征提取器的性能，而成本则显著低于对所有可用特征提取器进行详尽的训练和评估。
Feb, 2019
Concept2Box 提出了一种新方法，它使用双重几何表示技术联合嵌入了一个 KG 的两个视图：本体视图概念和实例视图实体。这种方法使用盒形嵌入来模拟概念，并使用向量来模拟实体，并提出了一种新的向量到盒形距离度量方法。
Jul, 2023
本文研究使用盒子嵌入（box embeddings）模型来更好地捕捉细粒度实体类型之间的复杂相互依存关系，并与矢量嵌入模型进行比较，在几个实体类型基准测试中表现出最先进的性能和更好的预测一致性和置信度。
Jan, 2021
本研究提出了一种新的模型 HyperBox，用于学习盒子嵌入以实现寻找单词的上位词，经过实验证明，在医学和音乐领域的性能明显优于现有方法，并具有良好的泛化性能。
Apr, 2022
提出一种在 Description Logic EL++ 领域中表示学习本体的新方法 Box^2EL，该方法在包括概念和角色在内的箱形物体中表示本体，保留本体的逻辑结构，并在预测子概念、链接和推理时取得最先进的结果。
Jan, 2023
BoxE 是一个新的嵌入模型，它可以同时解决目前模型存在的不表达、不支持显著推理模式、不支持高阶关系和不支持逻辑规则等限制性因素。 BoxE 成功地对许多所需的逻辑属性进行了自然编码，并表现出了最先进的性能。
Jul, 2020
本文介绍了一种可解释的图像嵌入方法，通过对已知具有 3D 可视表面重叠的训练示例进行测量，从而学习场景特定的相似度，并通过简单且快速的方式减少了在不同比例下的查询图像匹配和几何验证中的搜索成本。
Aug, 2020
在这篇文章中，我们提出了一种名为 TaxBox 的新框架，该框架使用盒状嵌入将 Taxonomy 概念映射到空间，并利用两个概率评分器处理概念附加和插入，从而避免伪叶片，实验结果表明，TaxBox 在四个真实数据集上的表现优于基线方法，并在一定程度上超过了先前的最优方法。
May, 2023
本文提出了一种基于 k 最近邻分类的替代方法，学习任务特定的文本嵌入表示方式，从而实现解释性和增量学习，而不影响分类准确性。
Nov, 2022
本文提出了一种针对可视化任务空间结构的全计算方法，建立起一个任务转移学习的计算分类图谱，并研究了这种结构的一些影响，例如，减少标记数据的需求等。
Apr, 2018