- 声音转换的节奏建模
本文介绍了一种无监督学习的方法 ——Urhythmic，此方法用于转换语音节奏，通过时间拉伸的方式实现源言语音节奏与目标言语音节奏的匹配，实验表明，Urhythmic 在语音转换中具有更好的无监督学习特性和合成质量。
- 学习我们可以的力量：从像素级交互生成多对象视频
我们提出了一种新颖的无监督方法，可以根据单个帧和稀疏动作输入自回归地生成视频，该方法能够生成逼真的物体间相互作用，并能在只观察到它们在相关动作活动下运动时分离多个物体的动力学和幅度；我们的模型 YODA 能够移动物体而不用直接接触它们，定性 - 低剂量 CT 图像去噪的扩散概率先验
本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。
- 一种无监督数据集类分离度估计方法及其在 LLMs 微调中的应用
本文提出一种基于拓扑特征的无监督方法来预测数据的类别可分性，该方法适合于处理有限标注数据和大规模未标注数据的学习模型。通过实验证明，该方法与有监督的评估方法如 Fisher 判别比率和分类器的交叉验证有着一致的表现，可以有效地用于语言模型的 - DC3DCD：多类别三维点云变化检测的无监督学习
本文提出了一种无监督方法 DeepCluster 3D Change Detection（DC3DCD），用于检测和分类多类变化，基于 3D 点云，并在模拟和真实数据集上进行了评估，结果深度聚类与标记方法相比具有较高的准确性和竞争性。
- 可学习的地球解析器：在航空扫描中发现三维样机
提出了一种基于概率重建模型的无监督方法，将真实世界场景的大型 3D 扫描解析成可解释的部分，以用于航空勘测和制图中的三维场景分析，而不依赖于特定应用的用户注释。该方法的优势在于不需要手动注释，是一种实用而高效的 3D 场景分析工具。
- 使用无监督学习局部和全局特征实现视频对齐
本文介绍一种无监督的视频对准方法，通过人体检测、姿态估计、VGG 网络等机器视觉工具提取并结合构建多维时间序列，利用 Diagonalized Dynamic Time Warping (DDTW) 算法对相同动作的视频进行对齐，采用新型评 - 关于新兴沟通在多智能体强化学习中的社会学习作用
本文提出了一种基于信息瓶颈的无监督方法，用于探索非常稀疏的多智能体增强学习中的社交通信情境，该方法可以捕捉引用复杂性和任务特定效用，并开发出一种自然语言灵感的信息组成的词汇表，该词汇表独立于一组紧急概念，使其具有极小的位数，同时可以使用社交 - WWW面向时间知识图谱的无监督实体对齐
本文介绍了一种名为 DualMatch 的方法，这种方法在实体对齐中有效地融合了关系和时间信息，并将其转化为一种基于加权图匹配的解码器。DualMatch 具有无监督方法和能够有效捕获时间信息等优点，能够在有监督和无监督的情况下执行。实验结 - 以阿拉伯广播新闻为案例研究的 TTS 无监督数据选择
本文探讨了一种针对低资源语言的完全无监督的 TTS 建模方法，旨在提高语音生成的效率并让其更接近自然人类语音。在案例研究中，该方法成功地使用了广播新闻作为语料集，通过自动数据选择和预训练 / 微调策略，提高了模型的性能。
- 通过无监督联合建模的查询增强知识密集型对话
本文提出了一个名为 QKConv 的无监督查询改进方法，它在对话型问题回答，任务导向型对话和知识驱动型对话方面相对于无监督方法实现了最先进的性能，与监督方法相比具有竞争性的性能。
- MM高效视频分类的深度非监督关键帧提取
本文提出了一种基于 CNN 和 TSDPC 的无监督关键帧检索方法，能够自动计算关键帧数量并保留视频时间信息，此外，还加入了 LSTM 网络和权重融合策略来提升分类性能和效率，并在两个常用数据集上进行了评估，结果表明与现有方法相比，该方法具 - EMNLP无监督文本去识别化
该研究提出了一种利用未标记数据进行自动去识别的方法，采用一种特殊的训练模型来识别红 acted 个人文档中的个人信息，并在保护个人信息的前提下最小化正确识别文档的难度，此方法在去除标示实体的同时更彻底地去识别文档，相较于其他无人监督的方法性 - 利用层次聚类和互信息最大化进行词义归纳
本文提出了一种基于分层聚类和不变信息聚类的新型无监督方法，用于解决自然语言处理中的词义识别问题，该方法可以在某些情况下优于目前提出的任何方法，并在其他情况下表现出竞争力。
- 基于模板的时间自适应学习动态语境化单词嵌入
本文提出了一种通过时间感知模板来学习动态上下文词嵌入的方法，实验结果表明该方法比当前最先进的动态上下文词嵌入方法表现更好。
- ECCVModSelect: 为合成与真实域通用化自动选择模态
本研究提出了一种无监督模态选择方法，即 ModSelect，通过计算多模态分类器的预测之间的相关性和其嵌入的域差异，从而系统地计算模态选择阈值，选择只具有高相关性和低域差异的模态，从而达到选择正向贡献模态的目的，并在合成到真实领域自适应基准 - Series2Graph：基于图形的时间序列子序列异常检测
本研究提出了一种基于无监督学习的方法，“Series2Graph”，用于领域无关的子序列异常检测，无需标记实例或无异常数据，能够识别长度各异的异常，在 VLDB 2020 上发表。
- ECCV无监督夜间图像增强：层分解与光效抑制的结合
该论文提出了一种无监督的方法，通过层分解网络和光效抑制网络集成来来压制夜间图像中光效，并增强暗区域的照度
- 使用集成时间预测误差进行无监督符号音乐分段
该论文提出了一种基于时间预测误差模型集成的无监督方法实现了符号音乐分割，该方法应用于 Essen Folksong 数据集上达到了最前沿的性能，其中使用了峰值检测算法选择段落候选，并聚合多个模型的预测达到最终的分割结果，但与有监督方法相比， - 在线非主动客户评价中的潜在方面检测
本文提出了一种使用潜在狄利克雷分配方法来提取隐性评论方面的无监督方法，以改进现有的基于监督学习方法，并帮助产品所有者和服务提供者确定缺陷并优先满足客户需求，以维持收入和减少客户流失。