本研究基于深度学习，提出了新的图像聚类方法，通过学习图像变换并在图像空间直接进行聚类，并可以轻松处理聚类中的不变性，实现了对聚类中心和聚类分配的解释性。研究表明，该方法在标准图像聚类基准测试中具有极高的竞争性和前景性。

Jun, 2020

本文主要介绍了强化对比学习得到的表示的不变性的方法，通过引入新的正则化器、特征平均法和可微分生成过程，对旋转等变性进行限制和控制，提高了表示在后续任务中的表现和鲁棒性。

Oct, 2020

本文研究对象识别中不变表示的泛化性，经过广泛实验，我们证明了不变模型学习到的非结构化潜在表示对分配偏移具有鲁棒性，因此使不变性成为有限资源环境中训练的理想属性。

Apr, 2023

本文提出了一种基于核方法的技术来推导局部群不变表示，通过在群上定义适当的概率分布来实现局部性，并使用核方法的强大框架来学习这些分布上的决策函数，从而生成局部不变随机特征映射。经实验证明，在三个真实数据集上，该方法优于基于核的竞争方法，并且在 Rotated-MNIST 上表现优于深度 CNN，并且与最近提出的群等变 CNN 表现相当。

Dec, 2016

本论文探讨了如何利用无监督的声学特征来增强语音识别，其中，通过学习始终对某些变换和变形不变的音频信号表示，实现了对短小的语音样本的有效处理，从而极大地提升了元音分类的准确性并降低了样本复杂性。

Jun, 2014

本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。

Jan, 2013

我们提出了一种基于无监督自动学习的方法，可以学习出具有小样本复杂度的好的表示方法，在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板，可以对每个图像块计算一种不变而又唯一的（有区分性的）签名，从而从很少的有标记例子中学习图像识别。

Nov, 2013

本文研究了对称群不变的核技术，并提出了一套基于最大边界不变特征的解决方案来解决半监督学习和单样本学习的特殊形式的问题，这被称为未标记变换问题。 作为一个插图，我们设计了一个人脸识别框架，并在一个大规模半合成数据集和一个新的具有挑战性的 LFW 协议上论证了我们的方法的有效性，表现优于强基线。

Oct, 2017

该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

Nov, 2019

本文提出了一种新颖且计算效率高的学习本地马氏度量的方法，并展示了如何学习任何转换的本地不变度量来提高性能。

Feb, 2015