本论文介绍了一种新型的水平可伸缩视觉转换器(HSViT)，通过引入新的图像级特征嵌入和设计创新的水平可伸缩架构，减少模型层数和参数数量，促进ViT模型在多个节点上的协同训练和推理，实现比现有方案高达10%的top-1准确率，证明了其在保持归纳偏差方面的优越性。

该文章提出了一种用于自监督对比学习的方法，包括识别和消除 false negative、对抗策略以及严格评估。该方法在 ImageNet 数据集上取得了一定成果，无标签数据集下可以以40%的精度正确识别 false negative，并在有1%标签数据下达到了5.8%的top-1准确率的绝对改进。

该文介绍了一种用于自监督对比学习的方法，包括识别和消除false negative、对抗策略以及对该方法的评估。该方法在ImageNet数据集上取得了一定成果，在无标签数据集下可以以40%的精度正确识别false negative，并在有1%标签数据下实现了5.8%的top-1准确率的绝对改进。