本文探讨了机器学习中的物体集中表示问题及旋转特征的一种新的连接机制，利用余弦绑定机制来计算特征之间的对齐并相应地调整权重，从而实现与自我关注和生物神经过程的直接联系，揭示了旋转特征中产生物体集中表示的基本动力学。

Feb, 2024

本研究提出复杂自编码器方法用于无监督物体发现，采用基于生物神经元的编码方案，通过复杂值表示对象的存在和组合关系，相较于传统方法，在性能和效率上有显著提高。

Apr, 2022

针对机器学习中的 “绑定问题”，提出了一个概率框架的无监督算法，该算法使用去噪自编码器动态将多个对象的特征绑定在一起，成功地处理了多个目标输入数据。

Nov, 2015

该研究对现有的物体中心模型的概念限制进行了识别和分析，提出了一种基于复值激活和对比学习的改进同步模型。通过引入新的构架和方法，该同步模型可以在多物体彩色数据集中无监督地发现物体，并同时表示超过三个物体。

May, 2023

利用复数值权重的循环体系结构，在迭代的约束满足过程中实现对象绑定和无监督目标发现，并在性能上优于当前的同步模型。

May, 2024

本文介绍了一种通过基于槽的神经网络、空间对称和基于槽的参考帧来提高目标探测的数据效率的方法，并通过多个合成和真实场景以及挑战性的数据集进行了评估和实验。

Feb, 2023

从原始视觉数据中提取结构化表示是机器学习中一个重要且长期存在的挑战。最近，无监督学习目标为客观中心化表示的技术引起了越来越多的关注。本文提出了一种新颖的架构，通过在潜在空间维度的两个不重叠的子集中偏置客观中心化模型，以将形状和纹理成分分离开。在一系列客观中心化基准测试中的实验证明了我们的方法实现了所需的分离性，并在大多数情况下在数值上提高了基准性能。此外，我们还展示了我们的方法可以为特定对象生成新颖的纹理或在具有不同形状的对象之间传递纹理。

Jan, 2024

使用随机特征方法学习三维点云数据的旋转不变函数，达到与通用旋转不变神经网络相匹配或超过分子性质预测和形状分类任务性能的方法，同时比竞争的核方法具有数量级更小的预测延迟。

Jul, 2023

这篇论文介绍了一种利用神经网络来解决从单一图像生成多角度视角的问题，并且在人脸和椅子等特定物体类别的数据上取得了良好的效果，同时展示了模型无需完全监督就可在多个应用中使用的能力。

Jan, 2016

本文研究了多视角数据下的特征表示学习问题，比较了基于神经网络的多种技术，提出了一种新的深度自编码器，通过随机优化方法探索了小批量相关性目标函数，最终发现基于相关性的表现效果最佳。

Feb, 2016