本研究提出了一种细粒度文本对齐清理器（TA-Cleaner），用于防御多模态对比学习中的后门攻击。实验表明，TA-Cleaner在六种攻击算法下有效降低了攻击成功率，显著提升了防御效果。

该研究使用空间转录组学和人工智能技术，提出了一种多模态对比学习方法，可以预测基因表达水平，并在乳腺癌和皮肤鳞状细胞癌数据集上进行了广泛评估，证明了其在预测基因表达和解释肿瘤相关基因方面的卓越性能。

本文介绍了一种高效的迁移学习方法，将自然领域的视觉-语言知识转移到遥感领域的图像-文本检索任务上。通过预训练的CLIP模型、多模态遥感适配器和混合多模态对比学习目标，解决了遥感数据中高内部相似性的问题。实证研究结果表明，该方法在RSITR任务上具有应用潜力，可以节省训练成本并提高检索性能，为RS视觉-语言任务提供新思路和见解。

本文介绍了一种高效的迁移学习方法，将自然领域的视觉-语言知识转移到遥感领域的图像-文本检索任务上。通过预训练的CLIP模型、多模态遥感适配器和混合多模态对比学习目标，解决了遥感数据中高内部相似性的问题。实证研究表明该方法具有应用潜力，可节省训练成本并提高检索性能，为RS视觉-语言任务提供新思路和见解。

本文介绍了ChangeCLIP，一种基于可视化-语言预训练的多模态对比学习方法，用于变化检测领域的广义化。同时，提出了动态语境优化的提示学习方法。通过在真实世界的单时序图像上训练模型，ChangeCLIP展现了出色的广义化能力。实验证明ChangeCLIP在真实变化检测数据集上优越性和广义化能力强，超过了现有的最先进方法。代码提供。

本文介绍了一种高效的迁移学习方法，将自然领域的视觉-语言知识转移到遥感领域的图像-文本检索任务上。通过预训练的CLIP模型、多模态遥感适配器和混合多模态对比学习目标，解决了遥感数据中高内部相似性的问题。实证研究结果表明该方法具有应用潜力，可以节省训练成本，提高检索性能，为RS视觉-语言任务提供新思路和见解。

本文介绍了一种基于可视化-语言预训练的多模态对比学习方法（ChangeCLIP），用于变化检测领域的广义化。同时，还提出了动态语境优化的提示学习方法。实验证明，ChangeCLIP 在真实变化检测数据集上的优越性和广义化能力胜过了现有的最先进方法。

本文介绍了oolns攻击，使用双嵌入引导框架实现抵抗后门检测和模型优化防御。该攻击对后门防御具有优势，引发了对多模态对比学习的潜在威胁的关注。