深度分析
Contrastive CFG：以對比損失提升擴散模型負向指導的穩定性與效能
研究針對擴散模型的負向分類自由指導（negative CFG）提出對比式改進（CCFG），利用對比損失在正負概念間拉扯，引導去除不想要的特徵，同時保持樣本品質。實驗顯示在多種條件下均能有效抑制不良概念。此方法亦兼具計算效率，避免大型獎勵模型的訓練成本，為線上個人化生成提供實務可行性。
對比學習
深度分析
以知識圖譜驅動的槽位對齊：KARMA 與 SPA 在 LLM 偏好優化中的成效
隨著大型語言模型推理需求增長，KARMA 透過知識圖譜產生結構對齊的對比樣本，並以 SPA 在實體槽位層面進行偏好學習，實驗顯示在生醫、化學與計算機領域的推理基準上皆超越傳統序列或標記層級方法。KARMA 枚舉符合模式的圖路，利用重複度作為支持選擇，SPA 亦可選用槽位感知遮蔽注意力提升效能。
深度分析
BES：透過邊界注意力模組強化 GNN 在結構噪聲下的分類表現
圖神經網路易受結構纏結影響，特別是決策邊界的節點會被無關鄰居干擾。研究提出邊界嵌入塑形（BES）模組，以自適應對比學習挑選邊界節點，僅在最小參數調整下抑制噪聲。實驗顯示在 WikiCS 上提升 GCN 分類準確率約五點，亦提升連結預測表現。此方法亦可擴展至其他圖任務，提供更穩健的表示學習。
深度分析
WEINCE：結合 Weibull 極值理論校正 InfoNCE 的硬負樣本處理
InfoNCE 作為對比學習的核心目標，長期以 softmax 形式實作，隱含一種對最高相似度樣本的分布假設。研究指出，當嵌入向量正規化後，硬負樣本的相似度分布趨向有上限，與 Gumbel（softmax）假設不相容。
深度分析
BBCritic 與 BBBench：以對比學習與度量學習重構 GUI 評分器
在以測試時計算檢索（Test-Time Scaling, TTS）為核心的通用 GUI 代理中，評分器（Critic）成為整體決策品質的瓶頸。論文提出 BBCritic，基於「功能等價」假說，採兩階段對比學習，將使用者指令與候選動作投射到共享的可供性（affordance）空間，回復動作有效性的階層結構並實現連續分數。
深度分析
CoDCL：以反事實資料增強與對比學習強化動態圖時序連結預測
面對持續演化的動態網路預測挑戰，研究提出CoDCL，透過反事實資料增強結合對比學習生成干預式連結樣本，並以鄰域動態搜尋量化時間交互變化，讓模型從事實與反事實時序模式中學習更具因果性的表徵。本方法作為可插拔模組提升多個基線模型在動態連結預測的泛化與穩健性。
深度分析
ScoringModel 與 SteerFuse：使用 FakeWiki 評估大型語言模型的訓練資料來源歸因
大型語言模型的回溯來源核查愈發重要。本研究提出DataDignity與FakeWiki基準，透過ScoringModel與無訓練的SteerFuse結合檢索與內部激活證據來排序候選文件。結果顯示在變換提示下，ScoringModel顯著提升Recall@10，能更準確定位訓練來源。
深度分析
自適應雙路徑語意通訊框架：結合 Gumbel-Softmax 與對比表示以實現隱蔽傳輸
在實時無線場景下，語意通訊可節省頻寬並聚焦任務。本文提出自適應雙路徑框架，將隱蔽任務內嵌於公開語意特徵中，並用對比學習與Gumbel‑Softmax動態選塊以維持效能與隱蔽性。實驗在Cityscapes上顯示，攻擊者檢測準確度降至56.12%，同時保持主要語意任務表現。
深度分析
RedParrot：以查詢骨架語意快取與對比學習加速 NL-to-DSL 推論
在電商與廣告快速擴張的場景下，Xiaohongshu 面臨大量自然語言驅動的即時商業分析需求。
深度分析
Human‑TM：以目標提示對比學習與最適傳輸的以人為本主題模型
傳統主題模型多聚焦統計一致性，常產生與使用者意圖不符的主題。研究者提出 Human‑TM，利用 LLM 生成目標候選，並結合目標提示對比學習與最適傳輸進行語意感知的主題發掘。實驗顯示，GCTM‑OT 在一致性、多樣性及目標對齊度上皆顯著優於現有基線。