- 探索对比学习用于长尾多标签文本分类
我们进行了关于有监督对比学习在多标签文本分类中的影响以及如何构建稳健的表示空间的研究，提出了一种新的对比损失函数，并在三个多标签数据集上实现了显著的宏 F1 分数改进。
- 基于语言模型蒸馏的无监督事实验证
通过自我监督特征蒸馏的 SFAVEL 方法，无需注释，实现了高质量事实验证和证据对齐，并在标准 FEVER 事实验证基准上取得了 + 8% 的准确率提升。
- 视觉语言特征场景
我们提出了一种新的算法，Panoptic Vision-Language Feature Fields (PVLFF)，可以同时进行语义和实例分割，通过对输入帧上的 2D 实例分割提案应用对比损失函数来联合学习视觉 - 语言特征和分层实例特 - 基于可变元数据的前列腺病变检测的分离条件对比学习
通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。
- AI 生成之抄袭侦测：从句子到文件级别
使用自然语言处理技术的对比学习方法，通过多重语义解读对大型语言模型的生成文本进行分析，达到了 94% 的准确率，在学术界检测人工智能生成的文本的抄袭和欺诈具有强大的适应性和可靠性。
- 多模态模型微调中减少虚假相关性的影响
该论文提出了一种利用多模态模型中的不同模态来检测和明确区分有影响的类别中的虚假属性的方法，通过表达语言来体现虚假关系的多模态对比损失函数，在 CLIP 上实验结果表明，这种干预可以有效地提高模型的准确性。
- 通过提炼特征对应关系进行无监督的语义分割
STEGO 是一种新的自监督特征提取框架，通过使用对比损失函数来加强特征聚类的紧凑性，并在 CocoStuff 和 Cityscapes 语义分割挑战中显著优于其他算法。
- MM利用孪生网络和对比损失进行语音情绪识别
本文介绍一种利用对比损失函数来鼓励可学习特征的类内紧凑性和类间可分性的方法用于语音情感识别，结果表明该方法在 IEMOCAP 数据库上表现出比基准系统更好的性能。
- ACL情感识别的多模态和多视角模型
采用多种视图学习方法来结合语音和词汇信息，训练出不需要词汇输入的部署式语音模型，该模型采用对比损失函数进行训练，实验结果表明这种方法和传统的基于语音信息的方法相比，有更好的准确性和鲁棒性。