- KDD一种自增强的校准排名框架
基于自我增强框架的标定排序 (Calibrated Ranking) 系统解决了实际应用中现存的两个关键限制：聚合策略和概率预测上的全局权衡。
- TripleSurv: 三元时间自适应坐标损失 用于生存分析
通过引入样本对的生存时间之间的差异来实现自适应调整，基于时间的自适应坐标损失函数 TripleSurv 能够鼓励模型定量地排列出一对的相对风险，从而提高预测的准确性，评估结果显示 TripleSurv 在模拟和真实生存数据上表现优于现有方法 - RRHF：无需痛苦排名回应，将语言模型与人类反馈对齐
RRHF 是一种新的学习范式，通过排名损失函数对生成的回答进行评分，从而能够有效地将语言模型输出与人类偏好对齐，而且只需要 1 到 2 个模型进行调整，效果与微调相当。
- GLT-T++：基于全局和局部 Transformer 的 3D 对孪生跟踪，伴随排名损失
提出了基于全局 - 局部 Transformer 模块的投票策略用于 3D 点云中的单目标跟踪，同时引入了重要性预测分支和自适应损失函数来提高跟踪精度。实验结果表明，该方法在多个基准测试中均具有超越先进方法的表现并保持实时推理速度。
- 对比学习在低资源语言的双语文本挖掘中的应用
本文介绍了一种针对低资源语言挖掘高质量双语数据的方法，即使用多负对比损失进行语言模型微调，可以获得更干净的双语数据，实验证明，在高棉语和普什图语等低资源语言数据挖掘方面，该方法明显优于以往的最先进方法。
- ECCV时序解析变换器用于动作质量评估
通过时间解析变压器将运动分解为时间部分级表示，采用对比回归与分级损失函数用于动作质量评估，提高了当前方法在多个 AQA 基准测试中的性能。
- 神经网络链接预测的配对学习
本文提出了一个有效的针对神经链接预测进行成对学习的框架（PLNLP），其采用了四个主要组件，包括邻域编码器、链接预测器、负采样器和目标函数，并在 OGBlbenchmark 上进行了评估。该框架具有灵活性，可选用任何通用的图神经卷积或链接预 - AAAI使用相对相似性监督的场景图嵌入
本文探讨利用图卷积网络对场景图进行结构化表示并生成有用的语义图像嵌入的方法，通过相似性标签学习图像表示，提出一种新的排序损失函数并设计三元采样策略，实验表明此方法优于已知相似性损失，且能够很好地捕捉场景的全局信息。
- 一种带有不确定性的新分布排序损失函数：相对深度估计中的应用
该论文提出了一种新的相对深度估计方法，通过对深度分布进行概率分布的估计来提高估计的准确性，并提出了 Distributional Loss 来训练模型，可以输出标准差的置信度估计，该方法在度量深度估计上有较好的表现。
- 从零开始学习识别高介数中心节点：一种新的图神经网络方法
本文提出了一种基于 encoder-decoder 框架及 pairwise ranking loss 方法的学习算法，用于在大规模网络中快速且精确地鉴定 betweenness centrality 高的节点，与同类算法相比，具有较高的速 - MaskReID：基于掩膜的深度排名神经网络用于人员再识别
提出了一种基于掩模及跳跃融合层的深度排序神经网络，通过多层融合方案减少外观变化的影响并采用新的排序损失函数，以获得更准确的人像检索结果，并在多个基准数据集上验证了其在该领域的优越性。
- RGB-D 行动识别的深度聚合网络协同训练
提出了一种利用多种异构源中的联合信息的新型深度神经网络训练范式。具体来说，在基于 RGB-D 的动作识别任务中，它会在 RGB 视觉特征和深度特征上合作训练单个卷积神经网络（命名为 c-ConvNet），并深度聚合这两种特征进行动作认证。
- 带有实例损失的双路径卷积图像 - 文本嵌入
本文提出了一种新的系统，以区分性地嵌入图像和文本到共享的视觉 - 文本空间，通过实例损失和端到端学习的双路径卷积网络来解决图像和文本匹配问题，并在 Flickr 30k 和 MSCOCO 上达到了与最先进方法相当的准确度，同时在基于语言的人 - ICCVLEWIS: 单词图像的潜在嵌入及其语义
本文提出一种使用卷积神经网络和加权排名损失函数的方法，从单词图像中直接预测语义概念，实现文本识别和检索中的语义关联，实验证明该方法的正确性和高度准确性。
- ICML使用排名损失预测准确概率
本文提出了一种使用排名损失函数和等变回归来优化概率预测的技术，具有良好的排名和回归性能，并且在概率分布上比逻辑回归等统计学习方法表现更好，证明了该技术在实际应用中的有效性。