- ICML使用扩散模型进行图像分解
本文提出了一种图像分解的方法，使用 Diffusion 模型进行无监督训练，从而推断出图像中的各种组成部分，并展示了如何使用这些组成部分灵活地生成不同于训练时的场景。
- 通过有条件的视图合成实现无监督的关节物体建模
通过使用第一次观测的隐式模型学习对象的几何和外观部分，并通过渲染第二次观测来蒸馏部分分割和关节运动，我们提出了一种新的无监督方法来学习刚性部分组成的关节对象的姿势和部分分割。此外，为了解决部分分割和关节运动的联合优化中的复杂性，我们提出了基 - 鸣钟：通过局部序列比对跟踪诗歌韵律的变化
通过本文介绍的一种基于本地序列对齐的无监督方法，将诗歌文本编码为一系列韵律特征的字符串，从而检测诗歌中的结构相似性，以便进行跨语言和历史研究。
- VLRM：视觉语言模型用作图像字幕的奖励模型
用强化学习和视觉语言模型（如 CLIP 和 BLIP2-ITM）增强图像描述模型（BLIP2）的无监督方法能够生成更长更全面的描述，并在 MS-COCO Carpathy 测试集上获得了令人印象深刻的 0.90 R@1 CLIP 回忆得分。
- COLINGSTEntConv：利用立场检测和有符号图卷积网络预测异议
社交媒体平台的兴起导致了在线讨论的极化增加，特别是在选举和气候变化等政治和社会文化议题上。我们提出了一种简单而新颖的无监督方法，利用用户在帖子中关于命名实体的观点，预测两个帖子的作者是否持相同立场。我们提出了 STEntConv，这是一种构 - UDCR：无监督主动学习和重叠度计算进行的主动导管行雷管 DSA/CTA 刚性配准
本文提出了一种基于深度强化学习的无监督的主动血管 DSA/CTA 刚性配准方法 UDCR，通过重叠度计算奖励函数来衡量分割图与 DSA 图像之间的配准准确性，该方法具有高度灵活性，可用于临床应用。
- OIL-AD: 一种适用于顺序决策序列的异常检测框架
提出了一种名为 Offline Imitation Learning based Anomaly Detection (OIL-AD) 的无监督方法，使用行动优化和顺序关联两个抽取的行为特征来检测决策序列中的异常，通过学习 Q 函数和状态值 - 用语言模型区分可知与不可知
通过大型语言模型中的线性探针和无监督方法，研究确定性认知不确定性与随机认知不确定性的可行性，为多样化实际场景中模型置信度提供更详细的指标。
- 在标记零售银行交易过程中使用零点提示的自动创建和扩展主题分类系统
通过使用基于指令的精调大型语言模型（LLMs），本研究提出了一种无监督方法来自动生成和扩展主题分类法。我们运用主题建模和关键词提取技术创建初始主题分类法，并使用 LLMs 对结果进行后处理以创建层次结构。为了通过新术语扩展现有分类法，我们使 - AAAI无监督条件下理解深度神经网络中概念的分布表示
本文提出了一种新的无监督方法，通过选择主要的神经元子集来发现概念的分布式表示，该方法可以用于识别数据中的未标记子类，并检测错误分类的原因，同时还揭示了不同层次的深度学习模型内部机制的深入洞察。
- NoiseCLR：对扩散模型中可解释方向无监督发现的对比学习方法
本论文提出了一种无监督的方法来发现基于文本到图像扩散模型的潜在语义，无需依赖文本提示，通过对比学习目标，在不同领域的图像中发现多样的语义，实现高度解耦的编辑。
- EMNLP引导与切换：交替蒸馏用于零样本密集检索
通过迭代学习、互相增强，我们的无监督模型 ABEL 实现了在零样本情况下的有效段落检索，并展现了对未见过的任务和领域的强适应能力。
- 文档的时间顺序
我们概述了一种针对历史文件集的无监督方法，即《美国国情咨文演讲》和 DEEDS，这是一本中世纪英国土地转让文件的语料库。我们的方法通过非参数广义线性模型（Fan、Heckman 和 Wand，1995）的带宽估计有效捕捉词语使用的渐变变化。 - 基于单图像的无监督联合分割和降噪
我们开发了一种无监督的方法，用于单幅图像的联合分割和去噪。我们结合了变分分割方法的优势和自监督单幅图像的深度学习方法的能力。我们的方法的一个主要优点在于，与需要大量标记样本的数据驱动方法相比，我们的模型可以将图像分割为多个有意义的区域，而无 - KDD无监督深度跨语言实体对齐
提出了一种简单且新颖的无监督方法，利用深度学习多语言编码器结合机器翻译器对知识图谱文本进行编码，同时考虑全局与局部对齐策略，并生成排名匹配结果。在跨语言实体对齐任务上，我们的方法在 DBP15K 数据集中的中文、日文和法文到英文对齐任务中得 - 自适应增长：实时卷积神经网络层扩展
基于数据输入，本研究提出了一种新算法，允许卷积神经网络的卷积层在动态环境下进行演化，并无缝地整合到现有的 DNNs 中。通过引入核函数，迭代性地评估图像特征的识别能力，本方法在多个数据集上展示了优于监督方法的表现，并在迁移学习场景中展示了增 - SLAC Linac 相干光源的弹性 VAE：无监督异常检测
利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Li - EntropyRank：基于侧信息优化的语言模型文本压缩的无监督关键词抽取
这篇研究论文介绍了一种无监督的方法，利用预训练的语言模型和香农的信息最大化从文本中提取关键词和关键短语。通过提取在语言模型下具有最高条件熵的短语，该方法能够解决与信息理论相关的问题，并在使用语言模型和熵编码器对文本进行压缩时，提供预期的最小 - 单一文本中的无监督本地和全局关键词提取
我们提出了一种无监督、语料库无关的方法，从单个文本中提取关键词。该方法基于词语的空间分布以及该分布对词语的随机排列的响应。与现有方法相比（如 YAKE），我们的方法具有三个优点。首先，它在提取长文本中的关键词方面更为有效。其次，它允许推断两 - 通过潜在空间分解揭示独特的概念向量
该论文提出一种后期无监督方法，通过分解和聚类方法，自动发现深度学习模型中的概念向量，从而支持可解释性分析，可以成功鉴别与疏离数据有关的训练样本