本研究提出了一种新方法CG2C，通过提取文档上下文图进行多跳推理，解决了传统自然语言推断数据不足的问题。实验结果表明，FactCG模型在连接推理方面表现优越，且模型规模更小。

本研究提出了一种新的联合模型，结合上下文化语言模型与神经网络，针对越南语自然语言推断（NLI）进行研究，F1得分最高达到82.78%。

本研究针对多源无监督领域适应中的源域选择复杂性问题，提出了渐进微调框架和三种轻量级图路由策略，从而提高了自然语言推断和情感分析任务的准确率。

该论文研究了自然语言推断数据的微调潜力，以提高信息检索和排名的效果，并通过使用来自波兰最大的电子商务网站和选定的开放领域数据，对英语和波兰语进行了验证。结果显示，使用对比损失和 NLI 数据进行微调可以提高模型在不同任务和语言方面的性能，并且有潜力改善单语和多语模型。最后，研究了嵌入向量的一致性和对齐性，以解释基于 NLI 的微调在域外应用中的效果。

该研究探讨了外部知识对自然语言推断系统性能的影响，发现不同来源的知识影响不同。同时，进行了最大规模、最精细的可解释NLI众包研究，揭示了自动性能分数与人的评分存在巨大差异。

本文提出了一种新的激活函数——稀疏最大函数，能够输出稀疏概率，并给出了其特性及雅可比矩阵的高效计算方法。同时，提出了一个新的平滑且凸函数作为逻辑损失的稀疏最大函数的对应，并发现它与 Huber 分类损失之间的联系。实验结果表明，在多标签分类和自然语言推断的基于注意力机制的神经网络中，采用稀疏最大函数可以获得类似的性能，但具有更精细、更紧凑的注意力焦点。

该论文研究了自然语言推断数据的微调潜力，以提高信息检索和排名的效果，并通过使用来自波兰最大的电子商务网站和选定的开放领域数据，对英语和波兰语进行了验证。结果显示，使用对比损失和 NLI 数据进行微调可以提高模型在不同任务和语言方面的性能，并且有潜力改善单语和多语模型。最后，研究了嵌入向量的一致性和对齐性，以解释基于 NLI 的微调在域外应用中的效果。