该研究提出了一种基于人类学习启发的深度神经网络半监督训练系统，利用少量标注数据和大量未标注数据，通过关联学习和优化调度实现有效的分类任务性能提升。

Jun, 2017

本文提出了一种神经网络体系结构，灵感来源于认知学的 “全球工作区” 的概念，可以通过自监督训练对两种输入方式进行对齐和翻译，并且将全球工作区表示应用于下游分类任务和强大的转移学习。

Jun, 2023

该论文提出了一种新的无监督深度学习方法 Deep Association Learning（DAL）用于视频行人重识别任务，在三个基准测试集上明显优于现有的无监督学习方法，可为视频监控等实际应用提供实用价值。

Aug, 2018

使用 Willshaw Memory 模型和 Multiple-Modality 框架实现稀疏编码，能够储存和检索大量的现实数据，并且支持多模态同步存储与检索以及缺失模式进行推理，该框架可用于其他的学习任务。

Jul, 2022

利用深度学习技术和强化学习框架，该研究探索了未标记数据识别和分类的方法，实现了在开放域中对新类别的发现，通过多模态信息提取和融合特征，利用自监督学习和聚类方法来增强模型训练，通过环境反馈的奖励调整网络参数，确保对未知数据类别的学习准确性。研究结果在 3D 和 2D 领域的实验数据集上表现出良好的性能。

Aug, 2023

本文提出了一种名为 DUAL 的新型深度神经网络框架来进行无监督主动学习，该框架可以通过编码器 - 解码器结构明确地学习非线性嵌入将每个输入映射到潜在空间，并引入选择块来在学习的潜在空间中选择代表性样本，实验结果表明 DUAL 与现有方法相比具有明显的优越性。

Jul, 2020

通过利用音韵信息和对象信息来发现言语单元的全新无监督学习方法，能够同时根据多种模态（即视觉、触觉和听觉）使用对象信息，该方法基于非参数贝叶斯双连音分析器（NPB-DAA）发现音素和单词以及多模态潜在狄利克雷分配（MLDA）分类来自对象的多模态信息，实验表明，所提出的方法比现有基准方法具有更高的词汇发现性能。

Jan, 2022

MLA 是通过交替的单模态适应过程改变传统联合多模态学习过程，减少模态之间的干扰，并通过共享头部实现跨模态交互，从而优化性能，在推理阶段利用基于不确定性的模型融合机制集成多模态信息。经过在五个不同数据集上的广泛实验，证明了 MLA 相对于竞争方法的优越性。

Nov, 2023

这篇论文提出了一种转移学习框架，能将单一模态神经网络的知识迁移到另一个模态的网络上，通过语音数据微调已经训练过的视频识别网络，该方法首先学习抽象表示层中每个网络的类比映射，然后应用神经网络操作进行目标网络的微调，同时保持其拓扑不变，该框架能灵活地适用于任何多模态数据集或已存在的共享基础语义的深度网络。

Dec, 2014

本文介绍了一种名为 Deep Matching Autoencoders（DMAE）的算法，可以从无配对多模态数据中学习公共潜在空间并进行配对，可用于从多种视角进行数据的跨域表示学习和对象匹配，并能够实现从完全监督方法到半监督和无监督方法的跨模态学习以及无监督分类器学习。

Nov, 2017