- COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习
利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。
- 使用 Gaia XP 光谱和无监督机器学习搜寻受污染的白矮星和其他宝藏
通过使用无监督机器学习技术 UMAP，我们构建了一个二维地图，将 Gaia DR3 BP/RP (XP) 光谱下的 96,134 颗白矮星组织成可识别的光谱区域，其中被污染的白矮星是我们地图中确定的一个独特光谱群体之一。我们展示了这种选择方 - 通过无监督机器学习提高汽车 AMS 电路的功能安全性
基于无监督机器学习的 AMS 电路早期异常检测新框架通过在多个电路位置和组件注入异常、提取观测电路信号特征、应用聚类算法实现异常检测，并利用时间序列框架提高检测性能，从而为确保汽车 SoCs 的功能安全铺平道路。实验结果表明，该方法实现了 - 人类和机器对毛利语词素过程的无人监督学习：超越统计重复
非毛利族新西兰人（NMS）在对毛利语的词汇分割方面与母语者表现高度相似，这种能力假设是通过识别和提取统计重复形式而获得的。我们通过比较 NMS 的分割结果与 Morfessor 的结果（一种基于统计重复的无监督机器学习模型）来验证这一假设， - 船舶路径识别的空间聚类方法
本论文提出了一种空间聚类方法来标记船舶路径，并使用位置信息。通过整合无监督机器学习技术来增强路径聚类的准确性，以及基于似然的路径建模和分割来进行更详细的分析，研究结果展示了该方法的卓越性能和高效性。该方法旨在为航线规划提供有价值的见解，最终 - 在亚指数级混合模型中实现极小化极小聚类误差的通用下界和最优速率
聚类是无监督机器学习中的关键问题，如何通过混合模型来研究聚类是常见的。本文首先通过契诺夫散度建立了聚类任何混合模型的一个普遍下界，然后证明在具有次指数尾部的混合模型中，迭代算法可以达到这个下界；此外，对于更适合使用泊松或负二项式混合模型的数 - 使用概率独立性无监督发现临床疾病特征
利用无监督机器学习从电子健康记录推断潜在病因，学习临床疾病模式，提高对疾病的诊断准确性。
- 使用 BERT 监测极端社交媒体上反犹太主义言论的演变
通过自动化方法和无监督机器学习，从极端社交媒体中提取反犹太主义的主题和术语，以监测其情绪和演变，预防仇恨升级。
- 天体物理 X 射线源的无监督机器学习分类
通过无监督机器学习方法，我们为 Chandra Source Catalog 的源提供了概率分类，并展示了该方法在识别年轻恒星物体的发射以及区分小尺度和大尺度紧凑吸积源方面的成功，为这种概率分类器提供了可解释性。
- 优化线性信号：一种用于优化线性信号的无监督机器学习框架
这项研究提出了一种无监督机器学习方法来优化量化金融中的盈亏（Profit and Loss）。我们的算法类似于无监督线性回归，通过线性组合外生变量构造的信号，最大化盈亏的夏普比率。该方法利用外生变量与交易信号之间的线性关系，通过参数优化来最 - 一维投影聚类的简单、可扩展和有效方法
非监督学习中的聚类是一个基础问题，本研究介绍了一种简单的随机聚类算法，它在任意 k 下的期望运行时间为 O (nnz (X) + nlogn)，并在 K-means 目标函数上实现了近似比例约为 O (k^4) 的算法，通过实验证明与现有方 - 发展自然语言理解模型以描述有线新闻偏见
通过对使用命名实体识别分析主题并通过立场分析讨论这些主题的方法，我们开发了一种无需任何人为输入来定义有线新闻节目偏见的无监督机器学习方法，应用于 2020 年的有线新闻转录中，发现节目的聚类随时间的变化而保持稳定且大致对应于节目所属的有线新 - ExIFFI 和 EIF+：解释性和增强泛化能力，扩展扩展隔离森林
本文介绍了 EIF +，即 Enhanced Isolation Forest 的改进版本，用于增强概括能力；同时，提出了 ExIFFI，一种为 Extended Isolation Forest 添加解释性特征的新方法，即特征排名；实验结 - 基于无监督机器学习的眼压高患者快速视野进展相关因素鉴定
鉴于公开的数据集，利用无监督机器学习方法，发现了眼压升高 (OHT) 的不同视野进展趋势，并发现了与快速视野进展相关的因素。
- 无监督机器学习技术探索热带 Coamoeba、Branes 图和 Seiberg 对偶
通过应用无监督机器学习技术，我们识别出与同一拓扑 Calabi-Yau 3 - 褶对应的 4d N=1 超对称规范理论的扭曲相。这些 4d N=1 超对称规范理论是探测扭曲 Calabi-Yau 3 - 褶的 D3 - 膜的世界卷理论，通过 - 无监督机器学习模型选择中的主观性
本研究以隐马尔可夫模型为例，调查了模型选择过程中涉及的主观性，发现参与者和大型语言模型在不同的应用场景下存在选择的差异和不一致性，结果突出了在模型选择过程中制定标准化方式以记录主观选择的重要性。
- 基于非负矩阵分解的多模态多视角聚类
通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具 - 无监督机器学习用于高阶 CFD 求解器的震荡捕捉
我们提出了一种基于高斯混合模型（GMMs）的新颖无监督机器学习激波捕获算法，在不需要参数调整的情况下，该算法能够准确检测激波并在不同测试案例中展现出强大的鲁棒性。通过与最先进的替代方法进行比较，并将所有方法集成到一个高阶可压间断 Galer - 用变分自动编码器学习随机过程的最小表示
通过无监督机器学习方法，介绍了一种确定有效描述随机过程动态的最小参数集的方法，并展示其在提取精确描述这些动态的最小相关参数方面的效果。此外，该方法可用于生成忠实地复制预期随机行为的新轨迹，从而提高我们对不同领域复杂现象的理解。
- KDD基于聚类的图表征学习加速
本文提出一种聚类学习框架 CARL-G，使用 Cluster Validation Indices（CVI）衡量质量，适用于不同的聚类方法，相对于基线提高了 79 倍的训练速度，并在节点聚类和相似性搜索任务中表现出色。