- 通过循环特征更新增强图神经网络在组合优化问题上的性能
QRF-GNN 是一个使用 Graph Neural Networks (GNNs) 和 unsupervised learning 方法解决 Quadratic Unconstrained Binary Optimization (QUB - 自适应无偏风险估计的无监督磁共振图像去噪方法
通过引入 Stein 的无偏风险估计器（SURE）、其扩展（eSURE）以及我们的新方法，即扩展泊松无偏风险估计器（ePURE），在医学图像框架中对这些方法进行了全面评估。我们的主要贡献在于有效地适应和实施 SURE、eSURE 以及特别是 - 测试时间自适应与状态空间模型
我们提出了一个概率状态空间模型，可以调整受分布漂移影响的部署模型，以适应训练和测试数据之间的分布变化，从而解决在测试时无法获取标记数据的适应问题。我们的方法通过推断时变的类别原型来实现动态分类，仅修改模型的最后一个线性层。在实验中，我们展示 - 拼图游戏：联邦聚类
该研究论文研究了在联邦学习框架中的无监督聚类问题，通过一种名为 FeCA 的一次性算法，该算法通过自适应精炼局部解，并将这些解聚合以恢复整个数据集的全局解，从而解决了非凸优化目标和数据异质性所带来的挑战。同时，将 FeCA 扩展为表示学习， - 对比学习中的过拟合问题？
过拟合是一种机器学习现象，指模型过于贴近训练数据而导致泛化能力较差，本研究探讨了无监督对比学习中过拟合的本质和机制。
- 基于大型基础模型的宫颈细胞病理切片图像筛查高效框架
通过无监督学习和弱监督学习，提出一种仅利用整个宫颈细胞病理切片图像标签的高效框架，利用预训练模型进行筛选高风险区域，然后使用对比学习进行参数高效微调，通过仅训练添加的线性适配器，大大提高学习效果并实现了最先进的性能。
- 近似欧几里得 $k$- 中位数和 $k$- 均值问题的几乎线性时间近似算法
本文介绍了一种几乎线性时间算法，用于计算聚类问题的常数因子近似解。
- 基于神经气体特征的 PSO Fuzzy XGBoost 分类器在情绪识别中的应用 —— 以脑电信号为例
应用神经气体网络（NGN）、XGBoost、粒子群优化（PSO）和模糊逻辑，增强情感识别技术，改善生理信号的特征选择，与标准基准相比，优化了模型性能，将这些方法应用于情感识别系统中，提供理论进展和实际应用意义。
- 通过保持几何结构的 Gromov-Monge 间隙实现解缠表示学习
通过使用几何约束中形态的保存，本研究在二次最优运输的基础上构建了对分离表征学习的新视角，提出了 Gromov-Monge-Gap (GMG) 这一量化不同空间分布的任意向前映射几何保存性的正则项。研究显示，GMG 正则化能有效增强对四个标准 - 通过粗化辅助的一致属性图聚类
该论文提出了一种集成粗化和模块化最大化的方法，通过有效利用邻接性和节点特征提高聚类准确性，从而在图聚类中克服了当前方法在捕捉真实社区结构和集群内关系、计算效率和识别较小社区方面存在的困难。
- UnmixingSR：面向高光谱图像超分辨率的材料感知网络与无监督分解辅助任务
本研究提出了一种名为 UnmixingSR 的组件感知高光谱图像超分辨网络，利用无监督学习来感知高光谱图像的材料成分，并通过探索低分辨率和高分辨率丰度之间的约束来提高方法在解决超分辨问题时的稳定性。实验证明，将无监督感知过程作为辅助任务嵌入 - 基于可靠投影的半定 QCQP 无监督学习及波束形成优化应用
本文提出了一种计算高效且可靠的投影方法，以确保神经网络输出的所有解都是可行的，并且理论上证明了投影方法可以提高神经网络的收敛性能和速度。通过评估我们所提出的方法，研究了包含服务质量的波束成形场景，并且仿真结果表明我们的方法能够达到与下界竞争 - 使用 3D 可变形自编码器进行阿尔茨海默病特征的无监督分析
使用 MORPHADE（Morphological Autoencoders for Alzheimer's Disease Detection）这个新颖的无监督学习方法，我们能够通过对 3D T1 加权脑图像进行形变分析，不仅检测出阿尔茨 - CGRclust: 用于无标签 DNA 序列的双对比聚类的混沌游戏表示
CGRclust 是一种结合了无监督孪生对比聚类和卷积神经网络的创新方法，用于 DNA 序列的图像分类聚类，能够准确地对各种 DNA 序列数据集进行聚类，并在 18.70% 的准确性上超过其他三种 DNA 序列聚类方法。
- EPOCH: 估计相机和人类的三维姿态
单目人体姿态估计（HPE）是从相机捕捉的单个 2D 图像中确定人体关节的 3D 位置。本研究提出了一种 EPOCH 框架，利用完整的透视相机模型进行姿态估计，并通过无监督学习得到比现有方法更好的泛化性能和最先进的结果。
- 天文学中的无监督学习综述
该综述论文总结了流行的无监督学习方法，并概述了这些方法在天文学中的过去、现在和未来的应用。无监督学习通过组织数据集的信息内容，以便能够提取知识。传统上，这是通过降维技术的实现，如主成分分析或使用自编码器，或者通过高维空间的简化可视化，例如使 - 关于 $(f,Γ)$-GAN 的浓度不等式
GANs 的统计一致性研究：通过导出有限样本集中不等式，扩展了 $(f,\Gamma)$-GANs 理论的适用领域，同时在适当的极限情况下，与基于积分概率度量的 GANs 结果相符，并展现出在多个应用中提供提升性能的能力。
- 通过最小化 Wasserstein-2 损失进行生成建模
通过最小化二阶 Wasserstein 损失（即 $W_2$ 损失），该论文处理无监督学习问题。论文证明了方式一通过分布相关的常微分方程（ODE）动力学的超限势潜力近似估计当前分布与真实数据分布之间的关系。主要结果显示 ODE 的时变边界概 - 无监督学习中的多次下降：噪声、领域偏移和异常值的作用
在无监督学习中研究双重下降现象，通过使用欠完备的自编码器进行实验，发现双重下降现象存在于多个应用中，并对异常和领域转移进行检测和缓解，结果表明过参数化模型不仅在重构方面表现出更好的性能，还增强了下游任务的能力。
- InstructRL4Pix：通过强化学习训练图像编辑的扩散
通过使用增强学习引导图像编辑方法（InstructRL4Pix）来生成由目标对象的注意力地图引导的图像扩散模型，该方法通过计算注意力地图之间的距离作为奖励函数来最大化奖励模型的输出，并使用邻近策略优化（PPO）对扩散模型进行微调，以实现基于