论文阐述了利用强化学习框架和大规模数据集进行无标签学习的思路及其应用。

Oct, 2021

提出了一种框架，利用从一组有监督数据集获取的知识来处理新的无监督数据集，该框架可以减少无监督学习中的主观性并提供一种评估无监督算法的原则方法，在聚类方面，它可以帮助选择聚类数量和算法，去除异常值并从许多小数据集中学习共性特征，从而实现了零样本学习。

Sep, 2017

自我监督能够提高深度学习在鲁棒性、异常检测等难题上的表现甚至超越了全监督学习，成为未来自我监督学习研究的新方向。

Jun, 2019

This paper proposes a method to improve the robustness of deep learning models in the presence of noisy labels by utilizing unsupervised learning and cluster regularization.

Jul, 2023

本文提出了使用线性探测任务评估强化学习中视觉预训练算法效果的方法，通过与实际下游控制表现的相关性进行实验，优化了现有自监督学习配方的方法，突出了前向模型、视觉主干大小和无监督目标的重要性。

Aug, 2022

本文提出了一种基于无监督 RL 策略的数据高效视觉控制的方法，通过使用 Dyna-MPC 等组件的预训练来实现更快的任务适应，并且在大规模实证研究的基础上建立了一种强化学习方法，可以使无监督设计策略的性能大大提高。

Sep, 2022

论文研究了缺失真实环境信息的强化学习问题，将鲁棒 MDP 框架扩展到无模型参数条件下的 RL 设置中，提出了三个具有鲁棒性的 Q-learning、SARSA 和 TD-learning 算法，并通过函数逼近扩展到大规模 MDPs，证明了其收敛性，并给出了保证局部最小的随机梯度下降算法。

Jun, 2017

本文提出了一种基于无监督深度学习的学习优化的框架，用于解决数值优化问题，可同时应用于函数和变量优化问题，并以超高可靠性通信为例，证明了深度学习可实现无监督学习下的变量优化保障极高的可靠性通信。

May, 2019

本研究旨在通过解决一个适当的优化问题，对图像集合中的对象类别进行无监督发现和匹配，以应对日益增长的人工注释工作量和服务特定应用的需求。在多个基准测试中，我们的方法证明了其价值。

Apr, 2019

该论文提出了一种使用混合量子经典算法的鲁棒拟合方法，采用一系列整型规划求解并实现全局解或误差界限，该方法可为计算机视觉中的随机启发式算法提供较实用的改进。

Jan, 2022