负采样的必要性研究及其理论和应用的洞见

负采样是机器学习等领域的重要研究焦点，广泛应用于计算机视觉、自然语言处理、数据挖掘和推荐系统。

本文提出了一个通用框架，将负采样方法分为五类：静态、困难例子、基于生成对抗网络、辅助型和小批量内。

负采样在图表示学习中优化目标和结果方差的重要性，提出了一种基于自对比近似和Metropolis-Hastings加速的负采样方法MCNS。

简化负采样模型的方法，通过高效采样解决模型学习中的假阴性问题，实证结果表明该方法具有鲁棒性和优越性。

探究Skip-gram with negative sampling在推荐领域中的应用，发现调整超参数可以显著提高推荐系统性能。

提出基于贝叶斯分类器的负采样算法（BNS），提高了负采样的质量和推荐性能。

对知识图谱中实体关系的无监督学习进行实证研究，比较不同负采样方法的效果，发现差异显著。

提出两种高效和信息丰富的负采样分布，实现真正自适应的采样方案，显著优于流行的负采样算法。

研究负样本实例的选择策略，提出几种采样策略，有助于提升弱标签学习的性能。

提出基于负采样机制的上下文主题模型，实验证明该方法在主题多样性和性能上有所改善。

分析负样本使用对自监督学习下游任务的影响，证明使用更多负样本可以提高分类性能。

介绍如何使用负采样处理命名实体识别任务的缺失注释，提出自适应和加权采样方法，提高负采样性能。