- ACL旧问题感知解码的事实知识编辑
我们提出了一种名为 DISCO 的简单而有效的解码策略，通过捕捉原始模型与编辑模型之间的概率分布差异，并增强编辑模型中的令牌预测差异，从而减轻过时问题，提高编辑模型在推理问题上的性能。
- DisCo: 面向推荐的表格和语义空间之间的和谐解耦和协作
我们提出了一种名为 DisCo 的方法，以增强推荐系统，其中捕获了两个表示空间的特异性和一致性，然后将这些特征作为额外特征附加到任意的推荐主干中，实验证实了我们方法的优越性和兼容性。
- 具有噪声边界框的对象检测的分布感知校准
基于大规模标注数据集，该研究提出了分布感知校准（DISCO）方法，通过建模和提取物体的空间分布信息，采用分布感知的技术来改进分类、定位和可解释性，从而在高噪声水平下实现最先进的检测性能。
- DisCo: 面向现实世界参考人体舞蹈生成的解耦控制
本文中，我们定义了一个新的问题，即指代人类舞蹈生成，并且介绍了一种名为 DISCO 的新方法，该方法利用一种新的模型架构，并且采用分离式控制，以提高舞蹈合成的保真度和可组合性，并采用有效的人类特征预训练以实现更好的通用性。结果表明，DISC - DISCO: 利用大型语言模型提取短语反事实
该论文提出了一种名为 DISCO 的新框架，可以使用大规模语言模型生成高质量的反事实数据，并借助特定于任务的老师模型过滤生成，以提高模型的稳健性和泛化性能。实验结果表明，使用这种方式进行学习，学生模型的鲁棒性和跨分布能力比基线提高了 6%（ - ICLR离散连续卷积实现的可扩展和等变球形 CNN 网络
我们提出了一种混合离散 - 连续（DISCO）分组卷积，该分组卷积在计算上可扩展，并能够保持旋转等变性，可以应用于任何紧致群。通过稀疏张量实施以实现线性扩展，并在球体上取得了最先进的语义分割和深度估计性能。
- ACL从程序对比中学习源代码（不）相似性
DISCO 是一种基于自我监督的模型，结合原创的代码转换算法和注入真实世界安全漏洞的数据增强技术来预训练 Transformer 模型，以更好地识别源代码中的相似之处和不同之处，并区分易受攻击程序和良性程序。
- ICLR利用预训练生成模型的对比学习视角学习解耦表示
提出 DisCo 框架，通过利用预训练的生成模型的高生成质量和聚焦于发现作为解缠表示学习因素的遍历方向，从而实现学习解缠表示和发现区别性维度的最新进展。
- CVPRDISCO：深度神经网络的动态不变敏感通道混淆
该研究提出了一种基于深度学习模型的数据剪枝方法 DISCO，能够保护个人隐私信息，并通过攻击方案的实验验证表明其有效性和实用性。
- DISCO: 影响力最大化遇上网络嵌入和深度学习
本文提出了 DISCO 框架，该框架集成了网络嵌入和深度强化学习技术以解决影响最大化问题。实验结果表明，相对于传统解决方案，DISCO 具有更好的效率和影响范围质量，并且表现出良好的通用性。