本研究解决了现有对比学习在用户-物品二部图和知识图中无法有效捕捉层次结构的问题。提出了一种新的洛伦兹知识聚合机制，以及三种模型级增强技术，从而避免用户偏好的转变，显著提升了推荐效果，最大改善达11.03%。

本研究重点解决了生成式AI工具对视觉艺术创作带来的版权侵犯与伪造问题，提出了DFA-CON对比学习框架，以便有效检测侵权或伪造的AI生成艺术作品。通过在对比学习框架中建立原创艺术作品与其伪造作品之间的亲和力，DFA-CON显示出在多种攻击类型下的强大检测性能，超越了最新的预训练基础模型。

本研究针对现有图异常检测方法效率不足的问题，提出了一种新颖的高效异构图异常检测模型EAGLE，通过对比异常节点和正常节点在局部上下文距离上的差异进行学习。实验结果表明，EAGLE在三种异构网络数据集上超越了现有的最先进方法，具有良好的应用潜力。

本研究针对当前大型视觉-语言模型在处理整个图像时效率低下的问题，提出了一种端到端的自监督视觉概念建模框架VCM。该方法通过隐式对比学习和视觉-语言微调构建视觉概念模型，显著降低计算成本，同时保持在各种图像理解任务中的优良性能，从而提升了视觉编码器在经典视觉概念感知任务中的能力。

本研究针对医学图像分割中缺乏高质量标注数据的问题，提出了一种新的对比学习方法SuperCL。该方法通过引入局部和全局对比对生成策略，结合超像素图来生成伪标记，从而有效利用图像的结构信息。实验结果表明，SuperCL在多个医学图像数据集上的表现优于现有的十二种方法，显著提高了分割精度。

We present RelCon, a novel self-supervised Relative Contrastive learning approach for training a motion foundation model from wearable accelerometry sensors. First, a learnable distance measure is...

本研究解决了无监督句子嵌入表示中仅考虑样本方向而忽视模长特征的缺陷。提出了一个新的训练目标，通过在正样本之间约束模长特征来优化无监督对比学习。此外，结合集成学习，我们构建了TNCSE框架，实验证明其在语义文本相似性任务上表现优异，具有重要影响。

本研究针对低资源语言的零样本命名实体识别（NER）问题，通过减少具有相似语音特征的语言之间的IPA音位表述差距，探讨了模型从高资源语言迁移到低资源语言的有效性。提出的CONLIPA数据集和跨语言IPA对比学习方法（IPAC）显著提高了在低资源语言上的识别性能，显示出其重要的应用潜力。

本研究解决了序列推荐中数据稀疏的问题，提出了一种新的方法——基于语义检索增强的对比学习（SRA-CL），通过利用语义信息来提升对比样本的可靠性。实验结果表明，SRA-CL在多个公共数据集上表现出色，能有效改善推荐系统的性能。