本研究提出了一种名为AdaptCLIP的方法，用于在开放场景中识别新颖视觉领域的异常。该方法通过交替学习视觉和文本表示，结合上下文和对齐残差特征的比较学习，克服了现有方法的灵活性不足，并在多个异常检测基准上表现优异。

该研究提出了一种事件驱动的图对比学习方法（SE-GCL），旨在解决文本表示学习中的领域知识依赖和计算复杂性问题，从而提高算法效率，并在多个数据集上验证了其有效性。

本研究提出了一种基于波网络的Token2Wave令牌表示方法，克服了传统文本表示的局限，能够更好地捕捉文本的全局和局部语义，同时减少视频内存和训练时间。

该研究提出了一种新颖的“信念状态变换器”，通过预测前缀的下一个标记和后缀的前一个标记，克服了传统向前变换器的局限性。研究表明，该方法在故事写作任务中优于传统方法，提高了解码效率和文本表示质量。

研究表明，最新的多语言编码器在无监督的文档级和句子级跨语言信息检索中表现不如早期模型，但在监督学习下可提高准确率。提出了轻量级跨语言检索算法和混合模型HYRR，优化了波兰语信息检索资源，评估了多种检索模型的性能，最终实现了长上下文文本表示模型的突破。

本文介绍了一种弱监督分类方法FastClass，该方法通过密集文本表示从无标签语料库中检索相关文档以训练分类器。与关键词驱动方法相比，FastClass依赖性更低、训练速度更快且分类准确性更高。此外，文章还探讨了主动学习库和少样本学习技术在低资源环境下的文本分类性能及其成本效益。

本文介绍了多种无监督学习方法，如弱监督自动摘要评估、结构感知负采样和对比学习，强调这些方法在文本表示和检索性能上的显著提升，尤其在语义相似度和开放领域问答中的应用效果。

该文介绍了一种基于对比学习的方法，通过对齐文本和其短语成分组成来学习文本表示。实验结果显示，该方法在语义文本相似性任务上表现优异，且无需额外网络参数或辅助训练目标。

本文介绍了现代自然语言处理的突破，包括大型多语种模型能够在100多种语言中执行任务。语言模型正在超越语言界限，甚至在资源有限的濒危语言的方言中获得有竞争力的表现。文章讨论了多语种文本表示的迭代进展，以及如何实现语言民主化的全部潜力，并探讨了改进范围。

通过最大化同一文本最小扰动嵌入之间的对齐，以及在更广泛的语料库中鼓励嵌入的均匀分布，基于对比学习的各种方法已被提出来从未标记的数据中学习文本表示。本工作提出了一种新的方法来最大化文本和其短语成分组成之间的对齐，并在语义文本相似性任务上取得了相当的基线改进。此外，这项工作是第一个不需要额外网络参数或辅助训练目标的工作。