本文提出了一种基于多头注意力的动态邻域聚合（DNA）过程，用于图形表示学习，通过选择性和节点自适应聚合来聚合邻域嵌入，以避免过拟合，并控制输入和输出之间的通道连接，通过分组线性投影实现。本方法有效地解决了节点分类问题。

Apr, 2019

使用粗粒度监督进行细粒度类别发现是一项经济高效但具有挑战性的任务，本文提出一种使用语义相似性引导样本分布并形成表示细粒度类别的独特聚类的方法，并进行了理论和实证上的验证，结果在准确度、调整兰德指数和标准化互信息等方面超越了现有的最先进方法。

Jun, 2024

该论文提出了一种基于密度感知图的半监督学习方法，利用密度信息进行特征学习和标签传播，从而充分利用未标记数据，并在端到端训练中提高性能。

Mar, 2020

通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

Sep, 2023

本文提出了一种动态特征聚合 (DFA) 方法，通过在特征域内构建局部图，进行 k - 最近邻探索潜在位置和特征相似性信息，结合原始点云低维全局特征表达，以增强特征表示，从而有效地进行点云分类。

Jan, 2023

本文提出了一种利用相似标签样本选择的自训练深度神经网络的方法，可有效降低错误伪标签产生的噪声影响，并均衡自训练过程性能提高和时间效率优化的关系。

Jan, 2023

自我监督学习与深度聚类的实例区别视角启发了对语义相似实例分组的重要性，通过促进由邻域一致性保留的语义结构，通过在线重新排序过程，挖掘更有信息量的邻居，进而鼓励跨视图的邻域一致性，并通过渐进松弛的边界过滤策略缓解聚类边界附近的噪声。我们的方法可以轻松整合到通用的自我监督框架中，并在几个常见基准测试中优于现有方法。

Dec, 2023

提出了一种基于层次结构的 1 - 最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

Mar, 2022

本文介绍了一种 Denser Feature Network 用于视觉定位，提出了一种新型的卷积神经网络，采用更密集的特征图来提高图像检索准确性和关键点特征的重复性，仅需要正负 GPS 标记图像对来训练模型。实验表明，该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。

Dec, 2020

本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。

Oct, 2018