- 端到端自调整自监督时间序列异常检测
通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。
- 多尺度特征对应下的自监督共显目标检测
我们的论文介绍了一种新颖的两阶段自监督方法，用于在图像组中检测共现显著对象（CoSOD），不需要分割注释。我们的轻量级模型利用了补丁和区域级别上的特征对应，显著提高了预测性能。我们的自监督模型在三个 CoSOD 基准数据集上进行了大量实验证 - 物体中心视觉预测的物理动态学习
本研究提出了一种无监督的物体中心预测模型，通过学习物体之间的视觉动态来进行未来预测，实验结果表明该模型在生成视觉质量和物理可靠性方面优于现有技术。
- ACL对话摘要中注释和检测细粒度事实错误
本文介绍了第一个 fine-grained 正误注释数据集 DIASUMFACT，以及通过候选排名使用预训练编码器 - 解码器模型提出的无监督模型 ENDERANKER，该模型表现出与 SOTA 模型相当的性能，并且需要更少的资源。这些发现 - ACL主题模型的强化学习
本文采用增强学习技术，用连续动作空间得到的强化学习策略替换 ProdLDA 中变分自编码器，采用给 ELBO 损失加权，使用上下文嵌入以及监控每个训练步骤的主题多样性和连贯性等方法，以 11 个数据集为实验对象。我们的无监督模型优于所有其他 - 半监督近义复述生成的深层潜变量模型
研究利用深度潜在变量模型进行半监督任务，提出了 VSAR 和 DDL 两个模型，组合使用可提高性能，在已知文本对的情况下使用 DDL+VSAR 进行半监督学习，使用提出的权重初始化方法解决冷启动问题，经实验验证，该模型在数据不完整的情况下具 - EMNLP基于强化学习的无监督句子自动摘要系统生成多种长度的摘要
本篇论文提出了一种基于强化学习的抽象模型，用于无人工摘要的句子摘要，同时还开发了一种多摘要机制来提高摘要质量。实验结果表明，该模型明显优于抽象和提取式模型，经常生成未包含在原始文本中的新单词。
- ESSumm: 从未转录会议中提取式演讲摘要
本文提出了一种新颖的直接抽取式语音摘要架构 ESSumm，它是一种基于深度学习的无线束模型，可以直接从语音中生成摘要，极大地提高了从未转录的数据的摘要质量。
- AAAI通过协调域编码器和匹配分类器的多源域自适应
提出了一种新颖的多源自动未标注模型，可在领域转移下进行文本分类。
- 在蕴涵图挖掘中引入时间信息
本文提出了一种新颖的方法，通过将时间性注入蕴涵图来解决假的蕴涵问题。我们专注于体育领域，通过不同的结果，多次运用同一对团队的情景，构建了一个无监督模型，旨在学习像胜利 / 失败导致比赛一样的蕴涵关系，同时避免学习类似获胜不蕴含失败的非蕴涵关 - ICCV基于图约束的人体运动分割数据表示学习
该研究提出了一种基于转移子空间学习的无监督模型，结合了轨迹数据的几何结构信息和较大的自由度，通过 ADMM 算法实现学习辅助数据表示、非负字典和编码矩阵的优化，实验结果表明该方法在人体运动分割方面的聚类性能显著优于当前最先进的半监督转移学习 - ACL概念映射的隐喻生成
本研究旨在基于概念隐喻理论通过控制生成过程并使用两种方法 (词汇级和序列生成模型) 生成有意义的隐喻表达。经过自动化和人工评估，实验结果表明，无监督的 CM-Lex 模型与最新的深度学习隐喻生成系统具有竞争力；而 CM-BART 优于其他所 - ACL作为挑战性自然语言理解任务的新闻标题分组
本文介绍了 HeadLine Grouping 的任务和相应数据集，并提出了一个新颖的模型用于该任务。研究结果表明，虽然当前的最先进的 Transformer 模型只能达到 0.75 F-1，但是我们提出的无监督 Headline Gene - ECCV跨领域目标检测的二维特征对齐
本文提出一种新颖的无监督跨领域检测模型，在源域中利用标注数据训练一个针对不同目标域的物体探测器，通过在两个维度上进行跨领域特征对齐，即深度和空间维度，来缓解物体检测中的跨领域表示差异。实验证明该模型胜过现有的比较方法。
- 一种卷积深度马尔可夫模型用于无监督语音表征学习
本文提出了 ConvDMM，这是一种使用非线性发射和转移函数模型的高斯状态空间模型，并使用深度卷积神经网络作为结构变分近似的推理网络的无监督模型。当在大规模语音数据集上进行训练时，ConvDMM 产生的特征在线性电话分类和在 WSJ 数据集 - EMNLPTED：一个带有主题建模和去噪的预训练无监督摘要模型
提出了 TED，一种基于 Transformer 的无监督抽象摘要系统，该系统预先训练了大规模数据，利用主题建模和去噪自编码器来提高生成摘要的质量，并在 NYT，CNN/DM 和 English Gigaword 数据集中优于所有无监督抽象 - AAAI社交媒体中政治关注的两种计算模型
本文介绍了两个计算模型，一个是有监督分类器，一个是无监督主题模型，以自动区分政界人士在社交媒体上发布的内容的话题，是政治传播和社交媒体研究的有效、廉价的计算工具。
- EMNLP用语言和隐藏关系建模自然段中的连贯流
研究探索通过人工创造的语言关系和句子本身学习到的潜在关系将两种形式的 intersentential relations 整合到文档级语言模型中，其中一个为监督模型，另一个为无监督模型，其实现部分条件下的段落生成任务效果优于基准方法。
- 微博上对话语篇和潜在主题的联合模型
通过使用会话树以及区分话语角色，本文提出了一个无监督模型来提取微博信息中的主题并进行总结，结果表明这个模型能够有效地发现微博会话中摘要值得关注的内容。
- 使用缩放 Gumbel Softmax 诱导和嵌入感知
该论文提出一种使用修改过的 Gumbel softmax 函数的无监督模型来学习词义嵌入，该模型可以进行可区分的离散词义选择，并通过多个基于相似性的下游评估实现了有竞争力（有时是最先进的）的词义嵌入。虽然该模型在下游评估任务上表现出色，但与