本研究提出CSE-SFP方法，旨在提高无监督句子表示学习的效率。该方法通过一次前向传播实现有效的对比学习，显著提升嵌入质量，降低训练时间和内存消耗，对文本表示领域具有重要影响。

本文提出了一种改进的耦合Adam优化器，以解决大型语言模型在学习词表示时的各向异性问题。实验结果表明，耦合Adam显著提高了嵌入质量，并优化了大规模数据集的任务性能。

本研究提出了一种自监督预训练框架AD-L-JEPA，利用激光雷达数据减少自主驾驶系统对标注数据的依赖，显著提升了嵌入质量和标签效率，实验结果优于现有方法。

本研究提出了DiSeNE框架，以解决无监督节点嵌入的可解释性不足问题。该框架通过解耦表示学习生成可自解释的嵌入，显著提升了嵌入质量和人类可解释性。

本研究提出了一种新的嵌入特定水印（ESpeW）机制，旨在解决嵌入即服务（EaaS）中的版权保护问题。该机制通过注入独特水印，增强了抵御去除攻击的能力，实验结果表明其在保持嵌入质量的同时，有效抵御激进的去除策略。