- 利用人工智能与人工智能了解人类加速科学
该研究表明，将人类专业知识的分布纳入考虑，并以此训练无监督的人工智能模型，能够显著提高 AI 对未来发现的预测能力，特别是在相关文献稀缺的情况下，这些模型成功预测出人类预测和可能做出预测的科学家，为科学进步开创新的前沿。
- 无监督摘要重新排名
本文提出一种无监督的方法，对摘要生成的可选方案进行重新排名，以缩小无监督和有监督模型之间的性能差距。与四个广泛采用的摘要基准相比，该方法将预训练的无监督 PEGASUS 的相关平均 ROUGE 增加了 4.37% 至 7.27%，并在 30 - 用对比语料库归属解释表示
提出了一种基于对比语料相似性的无监督模型解释方法，能够产生更具有语义意义的标量解释输出，应用于图像数据增强与零样本物体定位领域。
- 基于活动学习的孤立森林 (ALIF)：增强决策支持系统中的异常检测
本文提出了一种基于主动学习的方法（ALIF），用于检测具有领域特定异常定义的不寻常行为，并且性能优于其他最先进的算法。该方法特别适用于集成有异常检测功能的决策支持系统（DSS）。
- ACL从双语对齐到多语对齐：无监督平行文本挖掘
本文提出一种跨语言句子表示的学习方法，介绍了双轴转移的训练策略，并通过实验表明这种策略可以应用于获取具有多语言对齐的句子表示。
- AAAI对抗样本可作为无监督机器学习的有效数据增强
本研究提出一种生成无监督模型的对抗性示例的框架，使用相互信息神经估计器作为无监督信息理论相似度测量，建议使用此框架将对抗性样本作为简单的插入数据增强工具进行模型再训练，以大幅提高在不同无监督任务和数据集上的性能。
- ACL神经逻辑解码：带谓词逻辑约束的 (非) 监督神经文本生成
应用 NeuroLogic Decoding 算法可以实现满足复杂词汇约束条件下的流畅文本生成，其性能优于以往算法，特别是适用于无监督训练的模型。
- ACLUSR: 一种无监督无参考的对话生成评估度量
本文提出了 USR，这是一种无参考的、自适应的对话评估指标，利用无监督模型来评估对话的多个理想特征，与热门的 Topical-Chat 和 PersonaChat 数据集的人类判断具有强相关性，此外还提供了对话多个理想特征的可解释性度量。
- AAAISUOD: 面向可扩展的无监督异常检测
提出一种名为 SUOD 的加速框架，该框架由三个模块组成：随机投影模块、平衡并行调度模块和伪监督逼近模块，旨在缩短训练和预测无监督检测模型的时间。实验证明，SUOD 在处理高维大型数据集时表现出良好的效果。
- 使用编码器 - 解码器模型中的弱自上而下约束实现真正的无监督声学词嵌入
本文提出了一种基于编码器 - 解码器一一对应自编码器 (EncDec-CAE) 的无监督学习方法，用于从可变长度的语音以及无标签的语音数据中提取出与固定维度表示形式相对应的词嵌入，从而在无资源语音搜索、发现和索引系统中发挥重要作用，并在词辨 - 历史手稿图像解密
该论文围绕密码手稿展开，运用经典密码算法，发展出无监督模型实现字符分割、图像聚类和破解密文等多种技术，可自动将手稿图像转化为文本。
- 利用去噪自编码器进行无监督的句子压缩
本研究通过加入噪声的方式进行了一个摘要任务来训练去噪自编码器从而实现了在不需要配对的语料库的情况下进行句子压缩。使用标准文本摘要数据集的人类评估表明，我们的模型与基于监督学习的语法正确性和意义保留基准相当，不需要目标数据，我们的无监督模型已 - 贝叶斯非参数众包
本研究旨在提出两种基于中华餐厅过程 (CRP) 先验概率和分层结构的全新无监督模型，以更好地处理众包数据标注中用户注释的质量问题，并利用 Gibbs 采样的高效推理算法对其进行实验验证。