- 最佳优化社交环境中的合作学习
协作学习中，网络代理以自己拥有的分类器通过交流或观察其他代理的预测进行动态更新，研究了在此情景中如何优化预测以提高整个网络的准确性，并提出了多项式时间算法和近似算法来实现优化的目标。
- MODL：多学习器在线深度学习
在线深度学习采用混合多学习器方法，实现快速学习和深度学习的有效平衡，并通过协同学习解决在线学习问题，能够优雅地处理缺失特征，实现了最先进的结果。
- FedQNN：基于量子神经网络的联邦学习
本研究探索了量子联邦学习作为一个框架，通过分布式网络来训练量子机器学习模型的创新领域。我们提出的联邦量子神经网络框架是一种前沿解决方案，将量子机器学习的独特特性与经典联邦学习的原理融合在一起。通过在不同数据集上进行的实验证明，我们的 Fed - NiteDR: 跨视传感器协作学习的动态驾驶场景夜间图像去雨
针对夜间行驶场景中受雨水降解影响、图像质量和能见度下降的问题，我们开发了一个夜间行驶场景下的图像去雨框架，通过可见光和红外图像的跨视图融合，去除雨痕、丰富场景表征并恢复有用信息，实验证明了我们提出的跨视图合作学习方法在低光强雨水环境下具有较 - 通过搜索平坦极小值的多任务合作学习
多任务学习 (MTL) 在医学图像分析中显示出巨大潜力，通过提高学到的特征的泛化能力和各项任务的性能。本研究将 MTL 作为一个多 / 双层优化问题，采用合作式的方式让特征从各任务中学习，以减轻优化过程中的负迁移问题。实验证明了该方法的有效 - MM合作着色：探索潜在的跨域先验对 NIR 图像光谱转换
通过协作学习范式，利用潜在的跨域先验知识进行双向的全色与 NIR 色彩化任务，并通过渐进的微调和融合方法，在近红外图像光谱转换任务中表现出色，并在 NIR 和灰度色彩化任务上分别优于现有方法 4.66dB 和 3.95dB。
- 面向多领域图像转换的增量能量协作学习
本文研究了一种新型一种基于能量的协作学习框架，用于多领域图像到图像的转换。该框架由描述符、翻译器、样式编码器和样式生成器四个组成部分组成，能够实现一个到多个的转换。该框架通过多领域 MCMC 教学共同训练多领域的描述符和多样化的图像生成器。
- MMABG：隐私保护合作学习的多方混合协议框架
本文介绍了一种基于 ABG^n 协议的多方合作机器学习系统，采用隐私保护、安全可靠的方法，允许不同数据所有者合作进行机器学习，并设计了特定的隐私计算协议。
- ICML合作游戏的交互式逆强化学习
该研究探讨了如何设计自主智能体，使其在没有访问联合奖励函数的情况下能够有效地与潜在的次优合作伙伴进行合作。我们将这个问题建模为一个合作的、情节性的两个代理 Markov 决策过程。我们分析了该交互式两个代理场景中关于奖励函数的信息如何被获得 - ACL利用外部上下文检索和协同学习提升命名实体识别
本文提出使用搜索引擎检索并选择一些语义相关的文本来找到句子的外部上下文。我们发现，使用合作学习训练模型，可以更好地利用外部上下文提高模型的性能，在 5 个领域的 8 个数据集上取得了最新的最佳成绩。
- CoCon: 合作 - 对比学习
我们提出了一种协作版对比学习方法，利用数据驱动的采样来利用多个输入视频视图之间的隐式关系，以应对该问题，并在动作识别这一下游任务上取得了竞争性能表现。
- FedMood: 移动健康数据情绪检测的联邦学习
本论文提出了一种使用联邦学习和多视角数据的智能诊断框架以解决患者医疗隐私问题。
- ICML对抗性多源 PAC 学习的样本复杂度
探讨来自多个不可信数据源的学习问题，提出了一种解决方法，该方法可以在合作学习模式下有效应对某些数据源的有偏差性和攻击性干扰，并能够提供有限样本保证。
- ACL超越任务成功：关注同时学习观察、提问和猜测
本文提出了一种基于视觉支撑和对话系统组件融合的对话状态编码器，并以猜谜游戏 GuessWhat?! 为测试基地。通过多任务学习和协作学习，得出本文方法比基准系统更准确且具备更好的语言技能。
- 使用视觉属性的合作式学习
本研究提出了一种 “合作学习” 方法，通过不同机器之间的共享中间级视觉属性信息，改善计算机视觉和机器学习领域中不同层次下的学习表现，尤其适用于存在隐私，安全性和带宽限制等情形下。
- 描述者与生成器网络的协同训练
本文研究了两个生成模型的协作训练，利用卷积神经网络 (ConvNets) 来进行图像建模和合成，并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中，成功地实现了两个模型的同步训练，从而学习到高度真实的生成模型。