本论文旨在探索无人标记的射频信号数据在无监督学习下，是否能适应基于 RGB 的表示学习，并表明这种方法在多种任务上已经超过了基于射频信号的人体感知的最新成果，为来自这种新颖方式的无监督表征学习开辟了可能性。

Jul, 2022

通过使用卷积神经网络，我们在无监督学习的过程中提出了一种基于特征工程的模型，该模型能够自动地学习适用于无线传输聚类的特征表示方法。相对于基准的主成分分析（PCA），我们的模型自动学习由比基准少 99.3% 的组成部分组成的输入数据的降维表示，从而能够提取具有细粒度的无线传输突发形状的聚类，而基准模型只能基于背景噪声进行数据的一般可分性。

Aug, 2023

本研究提出了基于自监督学习的射频信号表示学习方法，并将其应用于自动调制识别任务中，该方法能够提高任务的样本效率并显著节省时间和成本，并且相比于当前的深度学习方法，其模型的准确性更高，并且在只有有限的训练数据的情况下仍能保持较高的准确性。

Jul, 2022

本文研究了卷积神经网络在复杂时间无线电信号领域中的应用。我们比较了使用 naively learned 特征和使用专家特征进行无线电调制分类的有效性，并展示了显著的性能提升。我们表明在低信噪比下，使用深卷积神经网络进行大规模且密集编码时间序列的盲目时序学习是可行的，是该任务的强有力候选方法。

Feb, 2016

无监督表示学习在处理高维数据模态时受限于数据特异性的稳定性和拓扑性，而生物智能系统却没有这样的限制。我们引入了一个新的框架，从缺乏稳定性和拓扑性的高维数据中进行学习，通过可学习的自组织层、密度调整的谱聚类和掩码自编码器的结合，我们的模型在生物视觉数据、神经记录以及基因表达数据上得到了有效的评估。与 SimCLR 和 MAE 等最先进的无监督学习方法相比，我们的模型在不依赖于稳定性和拓扑性的情况下能更好地学习到有意义的表示，也胜过了其他与这些因素无关的方法，从而在该领域开辟了新的基准，这项工作是迈向能够在不同高维数据模态之间泛化的无监督学习方法的一步。

Oct, 2023

无监督表示学习、卷积自组织神经网络、评估协议、表示传输、图像到图像转换

Nov, 2023

本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。

Aug, 2015

提出了一种无监督多模态语言表示提取方法，利用卷积自编码器将单词级对齐的多模态序列映射到 2-D 矩阵中，证明其在情感分析和情绪识别领域可以达到接近最先进性能的结果。

Oct, 2021

提出了一种新的基于对比损失的无监督表示学习框架，并通过利用数据增广方案生成新样本来优化损失函数，实现混合样本的预测任务，以利用软目标进行学习。实验结果表明本方法在单变量和多变量时间序列上的表现优于其他表示学习方法，并展示了它对于临床时间序列的传递学习的好处。

Mar, 2022

本文讨论了基于低功率通信网络的大规模分布式多智能体系统中的拒绝服务攻击问题，并利用神经网络，将推测目标信号的带宽和扩频因子的问题转化为分类问题进行高效实现。

Sep, 2023