- ACL用于无监督简单定义生成的多任务框架
提出了一个新的任务：简单定义生成（SDG）。使用一个复杂字典和一个包含任意简单文本的语料库，提出了一个多任务框架 SimpDefiner，包含两个解码器，可以同时生成复杂和简单的定义，有效提高了中文定义中 HSK 1-3 级词汇的比例。
- CVPR利用三维合成数据实现人像眼镜和阴影消除
本文提出了一种新的框架，以检测和去除肖像图像中眼镜及其产生的阴影，通过使用合成肖像数据集，并应用跨域技术，该方法为第一种同时去除眼镜和阴影的技术。
- ECCV有限标签预算下通过主动学习进行光流训练
我们提出了一种简单而有效的半监督方法，用于训练光流预测器，并基于简单的启发式方法提出主动学习方法，以进一步减少实现相同目标准确度所需的标签数量。实验结果表明，我们的半监督网络通常只需要大约 50% 的标签即可实现接近完整标签精度，并且在 S - 零样本基于方面的情感分析
本研究提出了一种名为对比后训练的自然语言推理方法，可以在没有人工注释数据的情况下，对新领域中针对方面的情感分析（ABSA）进行零 - shot 转移，并在多个 ABSA 任务中进行了评估。
- 通过平衡状态隐式微分训练脉冲神经网络
提出一种基于反馈脉冲神经网络的训练方法，该方法使用隐式微分计算参数的梯度，从而避免了无法微分的脉冲函数问题，并展示了在 MNIST, Fashion-MNIST, N-MNIST, CIFAR-10 和 CIFAR-100 数据集上测试结果 - EMNLP通过选择有信息量的评论学习观点摘要器
本文研究了如何在大数据集上进行意见总结，并通过选择有信息量的评论子集并联合学习摘要生成器来解决这个问题。
- EMNLP上下文中的词汇推理连续蕴含模式
采用预训练语言模型与文本模式的结合，可提升 PLM 在文本识别中的性能，其中连续型文本模式的采用可进一步提高 PLM 在 LIiC 中的性能并带来有用的启示。
- ACL文档级机器翻译的 G-Transformer
通过引入归纳偏置（locality assumption）作为一种假设，从目标到源的注意力的假设空间减小，来解决翻译单元扩展至整个文档时出现的训练失败问题，我们提出了 G-Transformer。实验表明，G-Transformer 比 T - CVPR从严重标签噪声中提炼有效的监督
该论文提出了一种全新的训练深度神经网络的方法，在标签噪音的情况下拥有高稳健性，通过利用小的可信集合来估计样本权重和伪标签以重复使用它们进行监督训练。该方法在各种类型的标签噪声和大规模真实世界标签噪声数据集上取得了最新的最优表现。
- 使用实体概况生成指代表达式
该研究提出了一种面向上下文的实体参照生成模型，并解决了现有模型依赖于特定实体训练数据的局限性，同时在 WebNLG 数据集上进行的实验表明，该模型在多个方面有着优越的表现。
- 关于训练数据的歌声分离研究
本研究探讨了训练数据集的特征对半监督唱声分离系统性能的影响和数据增强方法。结果表明，训练数据集的分离质量和多样性是性能的关键因素。
- 图神经网络中注意力和泛化的理解
本研究关注于图神经网络中节点的注意力机制及其效果影响，特别地，对比研究了图同构网络，在设计出一系列简单的图推理任务后，研究发现在典型环境下注意力的作用微乎其微，甚至有害作用，但在某些条件下可以大幅度提高分类性能达到 60% 以上。为了实现这 - ACL学习去噪远程标记数据，用于实体类型划分
这项研究提出了一种使用两阶段过程来处理有噪音的远程标记数据的方法，包括滤波和修复嘈杂标签的模型，可以用于超细实体类型任务，具有比原始的远程数据或启发式去噪远程数据表现更好的性能。
- CVPR使用已学习变换的数据增强技术进行一次性医学影像分割
该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练 - ICML使用本地错误信号训练神经网络
该论文探讨了使用分层损失函数进行神经网络分类的监督训练的方法，表明可在多种图像数据集上达到最先进水平，在局部学习的情况下，使用本地误差可能是朝着更符合生物学的深度学习的一步。
- ICCV全卷积像素自适应图像去噪器
本文介绍了一种新的图像去噪算法 —— 全卷积自适应图像去噪器 (FC-AIDE)，它能够学习离线监督训练集的全卷积神经网络，以及针对每个给定的噪声图像进行自适应微调。我们利用全新的全卷积架构提高了基础监督模型，并引入正则化方法进行自适应微调 - CVPR通过建模和预测标签结构来规范深度网络
该研究构建了自定义正则化函数用于深度神经网络的监督训练，利用自动编码器得到正则化器，实现分段模型标签的训练，并在语义分割中展示了正则化策略对提高准确率的实验结果。
- ACL基于元学习的自然语言转结构化查询
本文提出一种基于元学习及相关性函数的 few-shot 元学习方法，将原先监督学习的每个样本视为一个独立的伪任务，经过实验验证，该方法在 WikiSQL 数据集上取得较好的成果。
- DeepChess: 棋类自动学习的端到端深度神经网络
本文介绍了一种基于深度神经网络的端到端学习方法，通过无监督预训练和有监督训练来训练神经网络，实现了无先验知识的自动下棋策略，结果表明 DeepChess 能够和经过多年人工调整的机器下棋程序相媲美，是第一个能够实现国际象棋特级大师水平的端到 - 利用误差编码网络进行不确定性下的预测
本文提出了一个新的时序预测框架，基于将未来状态的可预测和不可预测组件分离的简单思想，将不可预测的组件编码成低维潜变量，并将其馈入前向模型。我们使用一种快速简便的监督训练目标，对其进行了评估，并在多个数据集上进行了视频预测，表明它能够一贯地生