本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

May, 2023

通过提出 CF-Diff 方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff 在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到 7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

Apr, 2024

对比分析（CA）是指与相应背景数据集相比，在目标数据集中独特丰富的变化的探索，这些变化源自与给定任务无关的变异源。本文介绍了对比特征选择（CFS），一种在对比分析环境中进行特征选择的方法，通过一种新的信息论分析方法，我们证明了我们的方法在对比分析环境中的表征学习，并且我们经验证实验证明了 CFS 方法在半合成数据集和四个真实生物医学数据集上一致优于以前提出的不针对对比分析环境的先进监督和完全无监督的特征选择方法。我们的方法的开源实现可在此 https URL 找到。

Oct, 2023

该研究探讨了基于马尔可夫过程的距离学习统一框架下的 Markov Graph Diffusion Collaborative Filtering (MGDCF) 文本的关键词，该文献讨论了协同过滤、图神经网络、距离学习、马尔可夫过程与推荐系统等主题。

Apr, 2022

通过对已有数据样本进行最小且充分的修改以改变其标签，Counterfactually Augmented Data (CAD) 创建新的数据样本。与 CAD 训练可以增强模型对与标签相关的偶然特征的鲁棒性相比，最新的研究表明，通过 CAD 训练可能导致模型过分关注修改后的特征，而忽视其他重要的上下文信息，无意中引入可能损害在分布外数据集上性能的偏见。为了缓解这个问题，在学习反事实线索的同时，我们采用对比学习来促进全局特征对齐。我们在两个人工编辑的 CAD 数据集上进行了全面的实验证明，我们提出的方法在分布外数据集上优于现有技术。

Jun, 2024

在本文中，我们提出了一个模型无关的对比学习框架（CCLF），通过对经验回放进行对比学习和自我学习来利用重要的样本，更高效地学习表示，从而大大减少数据增强的样本数量。我们的方法在多个基础强化学习算法上以及 DeepMind Control Suite、Atari 和 MiniGrid 基准测试上表现出了超越其他最先进方法的样本效率和学习性能。

May, 2022

计算机自适应测试（CAT）是一种广泛使用且高效的测试模式，它根据被考试者在测试领域的熟练程度进行自适应。本文旨在探索利用 CAT 服务中收集的响应数据的可能性，并提出了一种用户聚合影响函数方法来应对选择偏差问题，通过过滤出在聚合方式下响应数据偏差严重的用户，以增强 CAT 的性能并最小化对项目特性的偏差。

Aug, 2023

本文介绍了首个用于处理具有广泛状态空间和深层游戏树的任务的层次 Deep CFR（HDCFR）算法，其结合了基于技能的策略学习和 CFR，并采用神经网络作为函数逼近器。

May, 2023

在这项研究中，我们提出了一种使用所有可用特征进行训练的新算法，从理论和实证方面证明了使用该方法训练的模型能够满足 Counterfactual Fairness。

Nov, 2023

这篇文章介绍了一个名为 ConCF 的新型 OCCF 框架，它利用不同的学习目标和概率模型，生成一个更具通用性的模型，通过构建多分支变体和引入辅助头部来达成共识，并通过协同进化提高了模型的泛化性能。

Feb, 2022