本研究探讨了“表示忘却”在连续学习中的影响，提出通过有监督对比学习构建旧样本原型以减少遗忘。引入适应性记忆回放框架，动态选择训练数据，减少遗忘达10%。提出CTR模型和CUBER方法，解决灾难性遗忘和知识迁移问题，实验结果显示其有效性。此外，CORE方法通过自适应数据选择显著提高模型在新任务学习中的表现。

本文介绍了一种基于MoCo的有监督对比学习方法，旨在提高刑事案件分类和量刑预测的准确性。通过多被告行为描述的判决预测任务，提出了HRN方法并构建了MultiLJP数据集，以验证其有效性。此外，利用大型语言模型改进法律案例检索和判决预测，显示出在相关性和准确性方面的显著提升。

本研究旨在处理未知曝光时间下的视频，采用有监督对比学习构建曝光感知表征，并使用两个 U-Net 进行运动分析和视频重建网络。实验结果显示，该方法在联合视频 x8 内插和去模糊任务上有显著性能提升，并在 x16 内插任务上比现有方法提高了 1.5 dB 以上。