- ACL基于互斥解释的引入式常识推理
本文提出一种利用后验正则化来促进建模向区分流畅解释和可信解释的逻辑推断模型，以实现无样本学习的非监督归纳通用推理的方法，并在多个推理数据集上进行实验，结果表明此方法在零样本学习上表现出色，优于直接应用预训练语言模型和其他知识增强方法。
- 事件知识的后验正则化融合在基于事件的问答中
该论文提出了一种简单而有效的策略，通过后验正则化将从事件触发器注释中提取的事件知识纳入主流问答模型中，从而提高面向事件的问答模型的事件推理能力。
- 使用神经分解 Oracle 实现可控文本生成
本研究提出基于 NeurAlly-Decomposed Oracle (NADO) 的通用高效生成模型控制框架，其中 NADO 将控制模型分解为词级指导以引导底层模型在文本生成过程中生成符合预期的结果，通过实验证明，本框架在维护高生成质量的 - WSDMKGNN：基于核网络的半监督图分类
本文研究了半监督图分类问题及其解决方法的一种 KGNN 模型，在该模型中，图神经网络（GNN）结合基于内存的核网络进行分类，通过学习图表示并使用图内核来有效地使用标记的图和未标记的图。实验证明，KGNN 比竞争基线方法表现出更好的性能。
- ACL变分弱监督情感分析与后验正则化
本文提出了一种基于后验正则化的变分方法用于弱监督情感分析，通过控制标签分配的后验分布实现对情感分析的更好约束，实验结果表明，该方法可以提高弱监督情感分析的效果并且具有更小的预测方差。
- ACL从执行中学习语义解析
本文针对半监督学习中 NL utterances 匹配 program 的任务，提出了一种新的方法 —— 鼓励 parser 为未标注 utterances 生成可执行的 program，并从后验正则化的角度提出了一组新的训练目标，实验显示 - ACL通过后验正则化减轻分布中的性别偏见放大
研究表明，基于先进的机器学习技术的自然语言处理中存在性别偏见放大问题，本文提出了基于后验正则化的偏见缓解方法，旨在降低性别偏见的放大，实验证明该方法可在保证少量性能损失的情况下，几乎完全消除了分布中的偏见放大。
- ACL利用后验正则化进行神经机器翻译的先验知识整合
本文提出使用后验正则化方法将多种重叠、任意先验知识源集成进神经机器翻译的通用框架中，通过将先验知识源表示为特征方式指导神经机器翻译模型的学习过程，实验结果证明此方法显著提高了中英文翻译效果。
- 可学习知识限制的深度生成模型
本论文利用强化学习的框架基于后验规则化方法，扩展了对任何深度生成模型的灵活应用，以便建立学习约束为外在奖励的约束及其开发过程。通过该算法的应用，模型的学习知识约束能够得到显著提高。
- 交替投影学习期望约束
利用辅助期望约束的客观函数来学习未标记数据，通过信息和矩阵投影交替的方式优化此客观函数，实现后验正则化框架的替代解释，维护优化过程中的不确定性，具有超越约束驱动学习的效率和应用更具表现力的约束来指导半监督学习等多种应用。在实验中，我们证明比