本研究探讨了负采样在无监督主题建模中的应用，比较了多种神经主题模型的负采样策略，并验证了其在多个数据集上的有效性。结果表明，负采样显著提高了主题的一致性、多样性和文档分类的准确性。

本研究提出了一种新负采样技术，解决了新闻推荐系统中短暂文章生命周期导致的相关性衰减问题，提升了模型的准确性，支持去中心化。实验结果表明，该技术的准确性与先进模型相当，同时降低了复杂性，加速了训练过程。

本研究提出了一种模糊图注意网络（FGAT），旨在解决传统图神经网络在链接预测中负采样效果不佳的问题。FGAT结合模糊粗集进行动态负采样和节点特征聚合，显著提高了训练效率和预测准确性。实验结果表明，其在研究合作网络中的链接预测精度优于现有方法。

最新发布的时间图基准表明，流行的节点方法在中大型数据集上表现优异。通过分析强基线，发现标准的负采样评估对于具有强时间动态的数据集可能不适用。提出了改进的负采样方案，并与非对比训练的模型进行了比较。结果显示时间图网络架构在具有重大全局动态的问题中需要深入思考。

CuSINeS是一种用于增强法律条文检索性能的负采样方法。它采用基于课程的负采样策略，利用层次和顺序信息评估样本难度，并引入动态语义难度评估。实验证明CuSINeS在专家注释的SAR数据集上有效，超越了传统方法。

负采样是机器学习等领域的重要研究焦点。本文提出了一个通用框架，将负采样方法分为五类，并讨论了其应用、益处和未解决问题。还介绍了负采样在图表示学习、推荐系统等任务中的应用和改进方法。

该文介绍了一种基于时间图的动态链接属性预测方法，提出了一个简单的无优化基线“最近流行节点”，在数据集上表现优异。作者提出了两种基于Wasserstein距离的度量方式，用于量化数据集的短期和长期全局动态的强度，并证明了标准的负采样评估对于具有强时间动态的数据集可能不适用。作者还提出了改进的负采样方案，并与非对比训练的模型进行了比较，结果表明时间图网络架构在具有重大全局动态的问题中需要进行深入的思考。

TRON是一个基于会话的Transformer推荐系统，通过优化的负采样提高了推荐准确性。TRON整合了SASRec和GRU4Rec+的前沿模型，使用top-k负采样和列表损失函数。在大规模电子商务数据集上评估，TRON提升了推荐质量，与SASRec相比点击率提高了18.14%。提供源代码和匿名数据集供进一步研究使用。