本文提出了一种名为动态无监督适应 (Dynamic Unsupervised Adaptation) 的方法，通过持续适应批规范化层的统计数据，可以在只有一小部分无标签数据的情况下，对一个已经训练好的模型进行继续适应，并取得与强基线相当的性能表现，尤其适应于具有数据稀缺或需要不断适应的情况，例如在困难的天气条件下的自动驾驶对象识别任务。

Dec, 2021

该研究提出了一种名为 FedU 的联邦无监督学习框架，可以在保护数据隐私的同时利用去中心化的未标记图像数据学习视觉表示，并针对数据的非独立同分布问题提出了有效方法，实验证明其优于其他方法。

Aug, 2021

我们开启了对个性化无监督学习的系统研究，通过基于层次贝叶斯统计框架的优化准则，开发了一种自适应算法，在使用有限的本地数据和协作信息之间寻找平衡。我们在个性化降维和个性化扩散模型的背景下开发了我们的自适应算法，并对其进行了收敛性分析，揭示了问题参数（例如，异质性，本地样本大小）的依赖关系。我们还为个性化扩散模型开发了一个理论框架，展示了即使在异质性下也能从协作中获益。最后，我们使用合成和真实数据评估了我们提出的算法，展示了通过协作诱发的针对个性化任务的有效样本放大，尽管数据异质性存在。

Feb, 2024

本文提出了一种学习聚合和个性化（LAP）的框架，通过自适应地聚合身份的内在面部因素以及使用属性细化网络来修改面部目标属性与细节，从而实现无监督的鲁棒三维面部建模。

Jun, 2021

提出了 ADAPT^2，一种用于个性化自我监督模型的少样本域适应框架，通过重新播放自我监督任务与用户特定数据进行用户端模型适应，以在少样本情况下将模型的预训练表示调整到用户。通过使用四个基准测试，ADAPT^2 的平均 F1 分数超过现有基准测试 8.8% p。在普通的手机上，ADAPT^2 内的装置计算开销分析表明，在不引人注目的延迟（三分钟内）内，ADAPT^2 完成了适应，并且仅占用 9.54% 的内存，从而证明了该方法的计算效率。

Mar, 2024

本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法，使用知名的 Market-1501，Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。

May, 2022

一种考虑了分散式机器学习和数据保护的联邦学习方式，通过构建本地图和局部连接来训练个人的、个性化的非线性模型，实现了低通讯成本和对数据的隐私保护。

Jan, 2019

通过利用数据增强技术，我们提出了一种新的预训练任务 —— 自适应自监督排序（Augmentation-Adaptive Self-Supervised Ranking，简称 AdaptSSR），来解决用户建模中的稀疏数据问题，该方法通过训练用户模型捕捉隐式和显式数据增强视图的相似性顺序，以及其他用户的视图顺序，进而改进了现有的用户建模方法，并在公共和工业数据集上的六个下游任务上进行了广泛实验证明了其有效性。

Oct, 2023

在用户自适应的 3D 凝视估计中，论文提出了一种无标签数据的高效自适应模型，仅使用少量目标用户的未标记图像进行模型适应，通过应用元学习方法和领域自适应的损失函数，实现了在凝视估计中对目标用户进行个性化适应的有效方法。

Jun, 2024

研究分布式机器学习系统，并基于修正的随机优化算法实现私人级联学习，在保证局部模型私密性的同时，与全局模型进行协调，提升了准确性和隐私保护的平衡。

Feb, 2022