本研究提出了一种能量奖励模型（EBRM），有效解决了现有模型在捕捉复杂人类偏好和泛化能力不足的问题。通过数据过滤和对比训练，EBRM显著提升了模型的稳健性和表现。

本研究提出了多种医学图像分割方法，采用对比训练、样式增强和半监督学习等技术，显著提升了模型的泛化能力，尤其在数据标注稀缺的情况下表现优越。实验结果表明，这些方法在多个基准数据集上均优于现有技术，提供了有效的解决方案。

我们使用检索引导的对比训练构建了一种恶意感知的嵌入空间，解决了现有基于CLIP的系统对于正确恶意分类所需微小差异缺乏敏感性的问题。我们展示了一种基于检索的恶意违规表情包检测系统，该系统能够根据未见过的数据进行恶意分类，无需重新训练，适用于互联网恶意违规表情包不断演变的实际服务的持续更新。

本文提出了一种新的损失函数——连续加权对比损失（CWCL），用于交叉感知培训中的对比训练，以对齐嵌入空间。在0-shot图像分类、0-shot语音意图分类和关键词分类中，相对于现有方法取得了显著改进。