本研究通过引入概念树结构，解决了视觉语言模型个性化中的正样本稀缺和负样本质量低的问题，显著提升了个性化能力。

本研究提出了CL3DOR模型，以解决现有数据集中视觉和文本信息不足的问题。通过增加点云密度和构建困难负样本，提升了多模态理解的精准性。实验结果表明，CL3DOR在3D场景理解和推理方面表现优异，验证了其关键组件的有效性。

本研究分析了机器学习在人类活动识别中的应用，指出当前研究忽视负样本细节。通过对六个基准数据集的深入检查，发现现有方法在分类某些数据片段时存在问题，揭示了注释模糊和记录不规则等核心问题，并为未来的数据收集提供了改进建议。

本文介绍了一种新方法“Rumi框架”，通过让生成对抗网络(GANs)学习避免负样本，提升目标数据分布的表示能力。实验证明，该方法在多个数据集上优于标准GAN和LSGAN，并有效解决不平衡数据集中的类别不平衡问题。

该研究提出了一种新的基于图像的推荐系统解释方法，通过正样本 - 无标签学习技术选择可信负样本的精细子集，证明了该方法可以提高推荐系统的解释性。

本研究提出了一种新方法，通过对抗性无关信息作为负样本，增强生成过程中的上下文基础。该方法不需要额外训练，在实验证明其可行性和有效性，并优于现有方法。