本篇研究探讨了一种补充标准自组织映射的确定性方法，并通过卫星云数据的实验结果，展示了这种方法在数据组织和简化方面的有效性和高效性。

Aug, 2018

SOMson 是一种交互式数据增强技术，通过声音化将基础数据与 Kohonen Maps 进行结合，以增加信息量，并提供整体视图。

Mar, 2024

本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。

Apr, 2023

本文介绍了一些工具，用于测试特定自组织映射结果的置信度，测量自组织映射的量化误差和邻域关系，并且这些工具还可以用于客观测量自组织映射与其他神经网络模型相比更不敏感的情况。

Jan, 2007

持续学习中的难题是灾难性遗忘，特别是在人工神经网络（ANNs）等无监督架构中，我们提出了一种称为连续自组织映射（CSOM）的泛化模型来解决这一问题。CSOM 在低内存预算下实现在线无监督学习，在多个基准测试中获得了准确性提高近两倍以及用于自动类别增量学习设置的最新技术成果。

Feb, 2024

我们提出了一种基于自组织映射中的拓扑投射的半监督学习方法，通过利用大规模未标记数据集中的信息，显著减少了进行参数预测所需的标记数据点数量，从而有效降低了在某些领域（如电力系统、医学和工程学）中获取地面实况标记的成本。

Jan, 2024

本文介绍了 SO-Net，它是一种适用于无序点云的置换不变性架构，通过建立自组织映射（SOM）建模点云的空间分布，通过对点和 SOM 节点进行分层特征提取，最终将输入点云表示为单个特征向量。网络的感受野可以通过点到节点 k 近邻搜索进行系统调整， 在点云重建、分类、对象部分分割和形状检索等识别任务中，我们提出的网络表现出与最先进的方法相似或更好的性能。此外，由于所提出的架构的可并行性和简单性，训练速度显著快于现有点云识别网络。

Mar, 2018

本研究提出了一种新的通用框架，用于学习嵌入非欧几里德流形空间的空间网络的表示，通过结合图拓扑和空间几何，以边上的信息形式提取空间几何，保证学习到的表示对重要的对称性具有不变性，并能够区分不同的几何结构。通过对合成和真实世界数据集的大量实验证明了该方法的优势。

Dec, 2023

飞行阶段的识别对通用航空领域非常重要，该研究采用了一种新方法来减少监督的自组织映射 (MS-SOMs) 来进行阶段识别，结果表明该方法只需每类 30 个标记数据点就能达到或超过标签数据全文件的普通自组织映射方法的效果，并且对于飞行阶段数据的类别不平衡具有更强的健壮性。这些结果突出了有效识别飞行阶段所需的数据量很少。

Feb, 2024

本文提出了一种从嘈杂的 Web 图像搜索结果中自动学习概念的方法，旨在通过发现子集间共同特征并消除无关实例的方法，基于弱标签数据集学习更高层次的概念，并提出了一种名为 Rectifying Self Organizing Maps (RSOM) 的聚类和离群点检测方法。该方法在学习低级别概念的任务上优于现有研究，而且在学习高级别概念方面也极具竞争力，并且能够利用现有资源在大规模上无监督地工作。

Dec, 2013