标签
TPA-AD 是一种用于轴承时间序列异常检测的两阶段伪异常引导方法，利用重建模型和对比学习在正常边界附近生成伪异常窗口，再通过 KNN 对异常进行评分——训练过程中无需真实异常样本。该方法在轴承故障和退化数据集上进行了评估，包括高速列车轴箱轴承数据。
本文介绍了CoughSense系统，该系统利用经过微调的Whisper编码器（采用主动帧池化）将咳嗽录音分为五类呼吸系统疾病，实现了82.3%的平衡准确率，并已部署为实时移动应用。
本文提出了CL-DMDF，一种基于对比学习和双维度注意力机制的动态多模态数据融合模型，用于处理缺失模态并提升判别学习能力。
本文介绍了StenCE，一个预训练框架，利用ECG与X射线血管造影表征之间的跨模态对比学习，从ECG中检测重度冠状动脉狭窄，实现了高性能，并能够在无症状患者中实现早期诊断。
BRepCLIP提出了在边界表示（BRep）基元上的对比多模态预训练方法，用于CAD理解，将BRep几何与语言和图像嵌入对齐，实现了最先进的检索和零样本分类性能。
CHAM-net提出了一种对比分层自适应元网络，能够捕捉站点特定和跨年动态，用于稳健的全球甲烷通量预测，在模拟和观测数据集上均优于基线方法。
该论文指出了基于softmax的InfoNCE损失与现代对比学习中的归一化嵌入设置之间的不一致性。它提出了WEINCE，一种简单的修改，利用极值理论将softmax logits与端点短缺校正相结合，在视觉基准测试中取得了持续的改进。
本文提出语义运动锚点，即共语手势检索与合成中手势运动的自然语言抽象。该方法将3D手势离散化为身体-手部运动基元，并将其与转录文本对齐，在文本到手势检索和生成中的用户偏好方面取得了显著提升。
DOMINO 是一个新颖的框架，它从参考示例中学习最小充分的领域表示，为LLMs合成领域特定数据，从而在不要求显式领域描述的情况下提升代码基准性能。
本文提出引导对比策略优化（GCPO），这是一种新颖的算法，通过对比正负提示下的模型预测，在强化学习中实现每个Token的信用分配，在文本到图像生成和思维链推理基准测试中持续优于GRPO和DAPO基线。
SAVE框架通过使用价值函数对策略内响应进行评分，并通过对比目标更新模型，从而改善奖励模型训练，在六个基准测试中取得了优于其他方法的结果。
Hide-and-Seek是一个通过对比学习定位故障指示动作来检测VLA模型中机器人执行故障的框架，无需步骤级标注，实现了最先进的多任务故障检测性能。
本文提出GASP框架，通过深度监督结合对比损失和深度一致性损失将几何先验注入视觉语言模型，在3D空间推理基准上取得了显著提升，且无需使用3D VQA数据。
本文介绍了CARL，一种利用局部动态规律学习可复用技能的离线分层强化学习方法。该方法将需要相似动作序列的状态-目标对进行聚类，从而实现更有效的技能复用，并在复杂的人形机器人任务上提升了性能。
提出了CALAD，一个用于多变量时间序列异常检测的通道感知对比学习框架，该框架利用估计的通道相关性构建对比样本，实现了最先进的性能。
PEARL引入了一种对比分位数近似框架，用以缓解推荐系统中的行为强度不平衡问题，在服务数十亿用户的生产级直播平台上实现了参与度指标的显著提升。
介绍了时间对比变换器（TCT），一种用于从金融交易中学习时间嵌入的自监督框架，用于欺诈检测。仅使用嵌入时AUC达到0.8644，但并未超过强工程特征（AUC 0.9205 vs 0.9245），表明学习到的表示与现有特征存在重叠。
本文介绍了PromptNCE，一种使用大语言模型和对比提示来零样本估计点互信息的方法，在三个数据集上实现了与人类标注真实值的高度相关性。
提出DIVE，一种用于嵌入维度缩减的压缩适配器，采用自限制梯度更新和头部级NT-Xent对比损失，防止在小数据集上过拟合，在BEIR基准测试上优于现有方法。
CEPO通过使用来自拒绝轨迹的对比信号来区分关键推理步骤和填充令牌，从而改进了基于可验证奖励的强化学习，在多模态数学推理基准上相比GRPO获得了更高的准确率。