- 高光谱数据回归的对比学习
本文提出了一种用于高光谱数据回归任务的对比学习框架，通过提供一系列与高光谱数据增强相关的转换方式，并研究对比学习对回归任务的影响，实验结果表明该框架和转换方式明显提高了回归模型的性能，优于其他最先进的转换方式。
- 语义对齐下的潜在空间翻译
通过简单的转换，我们的研究展示了神经网络模型中学习到的表示可以在不同的预训练网络之间进行转化，从而有效地连接编码器和解码器，并实现在多模态设置下的出色分类性能。
- 概率电路中的变换集成
通过引入转换作为一种解决方法，本研究探讨了概率电路的预测局限性，并展示了其在机器人场景中的局限性。我们提出独立成分分析作为保持概率电路独立性特性的有效工具，扩展了无模型确定性电路的联合概率树方法，实验证明我们的方法在七个基准数据集以及真实机 - 神经网络的自适应切线特征视角
为了更好地理解神经网络中的特征学习，我们提出了一个在切线特征空间中理解线性模型的框架，其中特征在训练过程中被允许进行转换。我们考虑特征的线性变换，得到了一个在参数和变换上具有双线性插值约束的联合优化问题。我们证明了这个优化问题等价于一个线性 - 实质还是风格：你的图像嵌入知道什么？
通过对多种视觉 embedding 进行系统转换任务的测试与比较，发现不同的网络预训练算法会在 embedding 中编码不同类型的图像非语义信息，并且这些信息可以被有效地利用到一些特定的下游应用中。
- ICMLDUET: 2D 结构化与大致等变表示
本文提出了一种被称为 DUET 的 2D 结构和等变表示，相对于输入数据中的变换具有等变性，并在保持语义表达力的同时保留有关输入变换的信息，并在多个判别性任务中获得了更高的准确性和改进的迁移学习。
- 关于一些压缩算法
本研究利用神经网络算法在迭代函数系统的框架下寻找图像压缩方法，该系统是一组满足适当性质的区间变换。
- CVPR常见数据增强对视觉解释的鲁棒性
本文研究了后续可解释性方法对自然发生的转换形式（即增强）的响应，发现不同的可解释性方法在稳定性上存在显著差异，并提供证据表明，不论数据增强是否用于训练中，在增强方面的解释通常不如分类性能稳健。
- COLING利用非对话摘要进行对话摘要
本文提出了一种方法，利用非对话摘要数据来增强对话摘要系统，通过转换文档摘要数据对来创建更适合对话摘要的训练数据，使其具有非对话数据集的良好特性，增强了在所有训练方案中的可信度。实验证明，利用非对话数据进行训练，可以显著提高摘要性能以及保持数 - CVPR用于视觉目标跟踪的判别性单次分割网络
提出了一种具有判别性的单次拍摄分割跟踪器 D3S2，通过应用两种具有互补几何属性的目标模型，一种对广泛变换不变，包括非刚体变形，另一种假设刚性对象可同时实现稳健的在线目标分割。该跟踪器在不进行数据集微调的情况下，只训练分割作为主要输出，便比 - CVPR类比学习：基于变换的可靠监督用于无监督光流估计
本文提出了一种使用变换提供的可靠监督信息的框架，通过使用数据增强技术来运行另一个向前传递的过程，并使用原始数据的转换后的预测结果作为自我监督信号，从而得到了多帧轻量级网络的最佳精度。
- CVPRD3S -- 一种具有区分度的单镜头分割跟踪器
提出了一种区分性单射分割跟踪器 - D3S，通过应用两个具有互补几何特性的目标模型，一个针对广泛的变换，包括非刚性变形，另一个假设为刚体对象，实现了高鲁棒性和在线目标分割，在 VOT2016、VOT2018 和 GOT-10k 基准测试中性 - CVPRAET vs. AED: 通过自编码变换而非数据进行无监督表示学习
本文提出了一种新的无监督表示学习范式，通过自编码变换（AET）而非传统的自编码数据（AED）方法进行训练，使得神经网络可以在没有标注数据的情况下学习。实验结果表明，AET 范式可以实例化一大类变换，具有比现有的无监督方法更好的性能，特别是在 - 不变分类器的泛化误差
研究不变分类器的泛化误差，将输入空间分解为基础空间和一组变换，证明不变分类器的泛化误差与基础空间的复杂度成正比，而与输入空间的复杂度无关，进而推导出一组充分条件以确保基础空间的复杂度远小于输入空间的复杂度，并在 MNIST 和 CIFAR- - ICLR学到的表示的测地线
提出了一种新方法来可视化和精细化学习表示的不变性，并测试了线性化的一般形式，发现现有的图像分类网络对于平移、旋转和扩展等几何图像变换不能很好地线性化，但通过改进表示方法可以解决这一问题。
- CVPR多重对齐的变换同步解决方案
本文介绍一种基于矩阵空间的匹配和同步算法，以实现计算机视觉中多物体变换的精准测量。
- 知识编译地图
本文提供了一种知识编译的角度，分析了不同的编译方法（依据目标编译语言的简洁性与语言在多项式时间内支持的查询和转换的类别），并提供了一张知识编译图使新的编译方法能在已有方法的背景下进行分析。
- 缺陷逻辑的表示结果
本研究考察了非单调推理 Defeasible Logic 的转化和正则形式，旨在为其深入理解和高效实现提供理论工具。