本研究探讨生成式AI工具对视觉艺术创作的版权侵犯问题，提出DFA-CON对比学习框架，有效检测侵权或伪造的AI艺术作品，展现出强大的检测能力。

本研究提出了一种新的洛伦兹知识聚合机制及三种模型增强技术，解决了对比学习在用户-物品二部图和知识图中捕捉层次结构的不足，推荐效果提升达11.03%。

本研究提出了一种高效的异构图异常检测模型EAGLE，通过学习异常节点与正常节点在局部上下文距离上的差异，实验结果表明其在三种异构网络数据集上优于现有方法。

本研究提出了一种自监督视觉概念建模框架VCM，旨在提高大型视觉-语言模型处理图像的效率，降低计算成本，同时保持良好的性能。

本研究提出了一种新的对比学习方法SuperCL，旨在解决医学图像分割中高质量标注数据不足的问题。通过局部和全局对比生成伪标记，SuperCL在多个数据集上超越现有方法，显著提升分割精度。

本研究提出了一种新的无监督句子嵌入表示方法，优化了模长特征，构建了TNCSE框架，实验证明其在语义文本相似性任务中的优越性。

本研究针对低资源语言的零样本命名实体识别问题，提出了CONLIPA数据集和IPAC方法，通过缩小相似语音特征语言间的IPA差距，显著提升了识别性能。

本研究解决了从数据中精确模拟人类驾驶行为的挑战，特别是人类驾驶风格的多样性和变异性。我们提出了一种新的方法，通过对比学习从已有的人类驾驶数据中提取驾驶风格字典，并利用量化对这些风格进行离散化，从而学习条件扩散策略进行人类驾驶模拟。实证评估显示，我们的方法生成的行为比基于机器学习的基线方法更安全、更接近人类驾驶，具有提升自动驾驶车辆性能评估与改进的潜力。

本研究提出了一种新方法SRA-CL，通过语义检索增强对比学习，解决序列推荐中的数据稀疏问题，实验结果在多个数据集上表现优异。

本研究提出ERIC-FND框架，旨在解决多模态假新闻检测中的信息利用不足和可信度低的问题。通过实体增强和多模态交互，显著提升了检测准确性，实验结果优于现有技术。

该研究提出了一种新颖的增强对比学习方法，结合多视角图像和纵向数据，显著提高了胸部X光报告生成的准确性。

本研究解决了在临床环境中，多模态MRI图像获取困难的问题。通过设计一个结合多模态对比学习的生成模型，专注于关键肿瘤区域，提高了图像合成的精度以及后续分割任务的性能。实验结果表明，该模型在缺失模态图像的生成上表现出色，具有显著的临床应用潜力。

本研究探讨了对比学习在对抗噪声下的理论限制，揭示了样本复杂度的上下界，并提出了基于l2距离函数的数据相关样本复杂度界限，具有重要意义。

本研究提出了一种新方法，通过弱标注片段学习和对比损失变体，解决了音乐版本检测中的细分匹配问题，显著提升了评估性能，尤其在片段级别表现优异。

本研究针对深度学习模型归因方法缺乏可识别性保障的问题，提出了一种新的方法xCEBRA，通过对时间序列数据的正则化对比学习算法和一种新的归因方法（反向神经梯度）相结合来生成可识别的归因图。研究表明，xCEBRA不仅在合成数据集上实现了归因图真值相较于零和非零条目的稳健近似，还显著提升了先前基于特征消融、Shapley值和其他基于梯度的方法的归因效果，开启了理解时间序列数据的新方向。

本文提出了一种结合边界驱动表格填充与跨粒度对比学习的方法，旨在解决细粒度情感分析中的术语抽取和情感极性问题。实验结果表明，该方法在公共基准数据集上表现优异，具有重要的研究价值。

本研究针对构音障碍语音识别中的表现下降问题，提出了一种动态音素级对比学习方法（DyPCL），以在不同说话者间获得不变的语音表征。通过将语音分解为音素段并引入动态课程学习，我们的方法能够更好地区分细微的语音差异，最终在UASpeech数据集上实现了22.10%的字错误率相对降低，显著提升了识别性能。

本研究解决了现有的多模态实体链接在对比学习中未能充分考虑负样本选择的问题，通过提出杰卡德距离条件对比学习（JD-CCL）方法，有效地提高了模型匹配能力。此外，引入上下文视觉辅助可控补丁变换（CVaCPT）方法，利用多视角合成图像和上下文文本表示增强视觉表现。实验结果表明，该方法在基准数据集上表现出强大的效果。

本研究提出了一种改进的Transformer文本分类算法，结合多层次注意力机制和对比学习策略，显著提高了分类准确率、F1分数和召回率，增强了语义表达能力和泛化性能。