本文提出了一种通过局部和全局平稳性训练，实现生涯学习的兼容表示学习，可用于识别动态宇宙中的物体实例，并在标准基准数据集上比替代基线和最先进方法表现更好，同时提供了特定指标来评估各种序列学习任务中灾难性遗忘下的兼容性学习。

Nov, 2022

本研究提出了一种具有自兼容性的 Switchable 表征学习框架，并使用不确定性估计动态调整子模型的优先级，最终在评估数据集上获得了最先进的性能。

Jun, 2022

本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。

Jan, 2013

提出生产可重复使用的网络组件通过改变训练过程实现网络兼容性，进而在不降低准确率的基础上，将不同任务的网络组件分为特征提取器和目标任务头，从而在标准数据集上进行图像分类等任务，并演示了在无监督域适应，跨不同架构的特征提取器转移分类器，以及提高转移学习的计算效率等三个应用。

Apr, 2020

本文结合度量学习和监督学习的思想，使用人类提供的三元组判断来学习人类兼容的决策重心表示，该表示与人类知觉更好地匹配，使人类能够更准确地进行预测，并在多个分类任务中通过合成数据和人类实验表明其有效性，从而获得显著提高的人类决策准确度（对蝴蝶与飞蛾分类增加了 17.8％，对肺炎分类增加了 13.2％）。

Mar, 2023

本论文通过信息论的方法，对机器学习中不变表示的准确性和不变性之间的最优权衡进行了分析，并提出了一种几何特征，可以限定或精确刻画分类和回归任务的准确性和不变性之间的 Pareto 最优边界。

Dec, 2020

该文利用群表示论和可线性转换的可视化表示概念，证明了任何这种表示都等价于基本不可约表示的组合，并表明在受限条件下，不可约表示是相互独立的。在部分可观察性下，需要对可转换线性的潜在表示执行推理。此想法在利用三维转动群 SO（3）的潜在表示的旋转 NORB 对象的模型中得到了演示。

Dec, 2014

从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题，本文提出了一种学习三维表示的算法，满足几何一致性约束，并在三个姿态预测任务中取得了 SOTA 结果。

Jul, 2023

本文提出了一个新颖的具有转换不变性的特征学习框架，将线性转换纳入特征学习算法中，可应用于无监督学习方法，如自动编码器或稀疏编码，证明在 MNIST 变化，CIFAR-10 和 STL-10 等图像分类基准数据集上具有优越的分类性能并在 TIMIT 数据集上实现了最先进的电话分类任务的结果。

Jun, 2012

提出了一种名为 “backward-compatible training (BCT)” 的框架来训练嵌入模型，它可使不同维度和架构、通过不同损失函数学习的视觉特征具有兼容性，从而实现新计算机制与旧计算机制之间的互换，使视觉搜索系统能够跳过计算所有以前看到的图像的新功能。

Mar, 2020