- uDistil-Whisper: 通过大规模伪标签进行无标签数据过滤的知识蒸馏
该研究论文提出了一种无监督或无标签的框架来提炼 Whisper 模型，通过这种方法，在没有使用任何标记数据的情况下，使得提炼出的模型在性能上能与教师模型相媲美或更好，并且计算和内存效率相对更高。
- 社群交叉指导：无监督指令生成用于将大型语言模型与在线社区对齐
利用大型语言模型和无监督框架，我们可以自动生成在线社区的指令 - 输出对，以代表其信念，从而实现对不同社区进行成本效益高且自动化的调查。
- 主题特定知识图的自动构建
我们提出了一个专题特定的知识图谱构建框架，通过从特定领域的语料库中提取实体和关系，并整合上下文和本体，能够准确地构建高质量的知识图谱，解决现有知识图谱在信息粒度和及时性方面的挑战，并且相对于不同的知识图谱构建基线，在实验证明我们的框架表现出 - RainyScape: 无监督下的湿天气场景重建，利用解耦的神经渲染
RainyScape 是一个无监督的框架，能够从多角度的雨天图像集合中重建干净的场景。该框架包含两个主要模块：神经渲染模块和雨预测模块，通过学习可捕捉场景雨水特征的预测网络和可学习的潜在嵌入，在优化神经渲染管道以获得低频场景表示后，使用自适 - CVPR释放无标签数据：跨视角地理定位的范例
本研究探讨了大范围视角交叉地理定位（CVGL）中无标签数据的有效利用，包括无监督和半监督设置。我们提出了一个无监督框架，其中包括交叉视角投影来指导模型检索初始伪标签，并通过利用 “完全配对的地面 - 卫星图像位于一个独特且相同场景” 的事实 - PointCore: 高效的无监督点云异常检测器，利用局部 - 全局特征
提出了一个基于联合局部 - 全局特征、命名为 PointCore 的无监督点云异常检测框架，它仅需一个存储器来保存局部和全局表示，并为这些局部 - 全局特征分配不同的优先级，从而降低了计算复杂性和推理中的匹配干扰。通过引入归一化排名方法来抵 - 交流即改变：基于图像内部和图像间补丁交换的无监督单时段变化检测框架
提出了一种基于单时相影像的无监督变化检测框架，其中包括了自我监督学习和图像补丁交换等步骤，并通过在真实情况下模拟辐射差异以改善变化检测器的性能。该框架通过使用现有的单时相影像，避免了标注巨量多时相影像所需的昂贵和耗时的过程。对两个大规模数据 - OTAS: 无监督的面向对象的时间动作分割的边界检测
我们提出了一种名为 OTAS 的无监督框架，通过探索局部特征的优点，实现了时域行为分割，并通过自监督全局和局部特征提取模块以及边界选择模块，融合特征并检测行为分割的显著边界。在实验中，我们发现 OTAS 相对于推荐的 F1 分数平均提高了 - 基于拓扑模式增强的组级图异常检测：一种增强无监督方法
提出了一种用于群体级图异常检测的新的无监督框架，该框架利用图自动编码器和拓扑模式进行候选群体识别和嵌入生成，从而实现对异常群体的鉴定和定位。
- 客户支持对话中无监督意图归纳的完全框架
我们提出了一个完全无监督的对话意图识别框架，旨在通过研究最常见的对话序列来提取意图流，并且在处理对话语料库时进行预处理以提高结果。此框架不需要先验知识，适用于任何可能的用例，非常适用于各行业的实际客户支持应用。
- 用于 Sentinel-2 图像融合的全分辨率训练框架
提出了一个新的无监督框架，用于通过融合 10 米和 20 米波段的 Sentinel-2 图像实现超分辨率的深度学习模型训练。通过避免分辨率降级过程，该方案能够避免在有监督情况下生成训练数据。另外，我们提出了一种合适的损失函数，考虑了网络预 - 重新审视初始化再精炼：一种不完整和缺失图形填充网络
本文提出了一种基于 RITR（Revisiting Initializing Then Refining）的无监督方法，能同时填补属性不完整和属性缺失的图数据，并在四个数据集上取得了 state-of-the-art 的表现。
- AAAICoP: 控制好偏好的事实不一致检测
该研究介绍了一种无监督的框架 CoP，通过使用文本提示，控制 Summarization 模型的偏好，从而检测出摘要与源文档之间的一致性问题，并在监督学习中进一步优化这个过程。
- 时尚检索：无监督人脸特征转移与检索
本文提出了一种基于非监督框架的面部特征转移与检索方法，能够在真实图像上实现高保真的特征转移和精准的细颗粒度检索，突破了先前方法对超分辨率、姿态等限制，并探讨了其负责任的应用。
- EMNLP跨领域标签自适应立场检测
本文深入分析了 16 个不同领域的看法检测数据集，探索了跨领域学习的可能性，并提出一种端到端的无监督框架，结合了混合专家和领域对抗训练技术与标签嵌入，对强基线在领域内和领域外的预测获得了显著的性能提升，并对跨领域结果进行了详尽的分析，突出了 - 面向开放世界的实体对齐：一种无监督方法
本文提出了一种无监督框架，用于在开放世界中进行实体对齐。该框架挖掘了知识图谱的旁路信息，过滤掉无法匹配的实体，通过渐进式学习框架不断改进结构嵌入，从而提升对齐质量，同时不需要标记数据。
- AAAI基于主题排序和上下文感知自编码器的聊天记录无监督摘要
本文提出了一种新的无监督框架 RankAE 用于聊天摘要，它使用了基于话题的排名策略和精心设计的去噪自编码器来生成简明但具有上下文信息的摘要。实验结果表明，RankAE 在相关性和话题覆盖方面显著优于其他无监督方法。
- CVPR单视角图像无监督真实感人脸旋转的旋转与渲染
本文提出了一种基于 3D 面部建模和高分辨率 GAN 的无监督框架，旋转面部并在 2D 平面上重新渲染以增强数据，并实现现实世界中单视角图像集合下的逆向旋转合成，模型表现出卓越的合成质量和身份保护性能，可以作为现代人脸识别系统的数据增强引擎 - 电子健康记录的深度表征学习以解锁大规模患者分层
利用基于深度学习的无监督框架从电子健康记录中提取患者表现，为下一代个体化医学提供指导。通过将病人轨迹转换为低维潜在向量来对 1,608,741 例患者的电子病历进行了综合分析，发现 ConvAE 可以生成导致临床有意义的见解的患者表示形式。
- 无需图像真值训练图像估计器
本文提出了一种无监督框架用于训练图像估计网络，针对仅含测量值而没有地面真实图像的训练集，可以应用在压缩感知和盲复原等图像估计任务中。该无监督框架可以用于常规和盲估计任务，而且在考虑到非盲和盲训练的情况下，在压缩感知和盲复原中训练出的模型近似