本研究提出了SCMPPI框架，通过整合蛋白质序列特征与PPI网络拓扑信息，并采用改进的监督对比学习策略，显著提高了蛋白质-蛋白质相互作用（PPI）预测的准确性，优于现有方法，为多模态生物信息融合提供了新思路。

本研究提出了一种基于弱标注音频片段的监督对比学习方法，解决了音乐版本检测中的细分匹配问题。该方法显著提升了片段级别的评估性能，为音乐版本匹配及其他领域提供了新思路。

本研究探讨了长尾数据分布问题，分析了监督对比学习、稀有类样本生成器和标签分布感知边际损失等技术的协同作用，发现这些技术的结合能够提高尾类准确率，同时保持主导类性能，实现各类的均衡改进。

本研究提出了一种新颖的领域适应方法，旨在解决医院间因染色和数字化协议差异导致的组织病理影像转移问题。该方法通过监督对比学习提高类间可分离性，实验结果显示其在皮肤癌亚型分类中优于传统方法。

本研究提出了一种基于监督对比学习的图像合成框架，旨在解决文本到图像生成中的内模态语义对应问题。通过共享对比分支，该框架有效聚类语义相似的图像-文本对，从而提升生成质量。实验结果表明，在COCO数据集上，FID指标显著提高，验证了方法的有效性。

本研究提出了一种层次多实例学习（HMIL）框架，旨在提高细粒度全切片图像分类的准确性。通过引入类级注意机制和监督对比学习，增强了模型的区分能力，取得了最新的性能表现，对精准肿瘤学具有重要意义。

本文提出了一种新的少样本定向目标检测方法FOMC，通过定向边界框和动态更新存储器的监督对比学习模块，增强了模型对未见类别的区分能力。实验结果显示，该方法在DOTA和HRSC2016数据集上表现优异，达到了最先进的性能。

本文提出了一种基于对偶句子级别的监督对比学习（PairSCL）方法，结合交叉注意力机制和对比学习目标，在多个自然语言推理（NLI）任务中取得了优异表现。同时，介绍了中国首个大规模NLI数据集，以推动中文自然语言理解（NLU）的研究进展。

本文探讨了通过改进监督对比学习和自监督学习，提高医学图像处理中的分类准确率，特别是在乳腺癌组织病理学图像上实现了93.63%的准确度。研究介绍了基于卷积神经网络的多种分类方法，展示了在不同数据集上的高效性和准确性，推动了乳腺癌诊断的进展。

本文探讨了多种分布外（OOD）检测方法及其隐含评分函数，展示了不同方法在共享学习下的相似性。通过引入自我知识蒸馏和监督对比学习，提出了一种有效的分类器学习方法，平衡了分类准确性与离群检测性能。此外，介绍了名为 OpenOOD 的代码库，整合了超过 30 种 OOD 检测方法，展示了该领域的显著进展。

本文介绍了一种新的多项选择视频问题回答的训练方案，包括自监督预训练和监督对比学习。实验结果表明该模型在相关测试集上取得了最先进的性能。

本文介绍了一种新的多项选择视频问题回答的训练方案，包括自监督预训练和监督对比学习。实验结果表明该模型在相关测试集上取得了最先进的性能。

本论文提出了一种基于监督对比学习与Transformer的图像质量评估模型SaTQA，通过训练大规模合成数据集，该模型能提取各种失真类型和水平的图像退化特征，并结合了CNN和Transformer的能力来进一步提取图像的失真信息。实验结果表明，SaTQA在合成和真实数据集上优于目前的最先进方法。

本文介绍了一种新的监督对比学习目标SCHaNe，并在细调阶段引入了硬负样本采样。实验结果表明，SCHaNe在各种基准测试中的Top-1准确率优于BEiT-3，并在少样本学习设置中取得了3.32%的显著增益和完整数据集细调中的3.41%的显著增益。在ImageNet-1k上，SCHaNe取得了86.14%的准确率，并且改进的嵌入效果更好。