- DAS-N2N: 无需干净数据的机器学习分布式声学传感（DAS）信号去噪
本研究提出了一种弱监督的机器学习方法 DAS-N2N，用于抑制分布式声学传感（DAS）记录中的强随机噪声，该方法无需手动标记和先验知识训练，仅使用两个 DAS 通道的噪声数据进行深度学习，可以实现高效地噪声去除和提高观测信号质量。在南极洲 - 通过弥合伪标签中的训练测试差距来提高弱监督的时间动作定位
该研究提出了一种有效的管道来学习更好的伪标签，其中含有高斯加权融合模块，伪标签作为一个在约束条件下的优化问题，以及 Delta 伪标签的概念，实现了超出现有方法的优越表现。
- CVPRSIM: 基于盒子监督的语义感知实例掩膜生成
该论文提出了一种基于语义实例掩模的箱式监督实例分割方法，能够更好地处理对象之间的遮挡区域，并通过语义级假标签及自校正机制识别前景对象。
- CVPRSPARTAN：自监督时空 Transformer 方法用于群体活动识别
本文提出了一种新的、简单、有效的自我监督空间时间变换器（SPARTAN）方法来使用未标记的视频数据对小组活动识别（GAR）进行识别。该方法采用 encoder 提取视频特征，并进行长期关系建模，通过处理不同的空间尺度和帧率来进行自我监督训练 - WeCheck：基于弱监督学习的强事实一致性检查器
本文提出了一种弱监督框架 WeCheck，通过聚合多个资源进行训练，提高了文本生成模型的真实性度量。在多项任务上进行的综合实验表明，WeCheck 在 TRUE 基准测试中的表现优于现有的最先进方法，平均提高了 3.4％。
- AAAILWSIS: 基于 LiDAR 指导的自动驾驶弱监督实例分割
本文提出了一个基于 LiDAR 导引的弱监督实例分割框架，利用点云和三维框作为自然的弱监督信息代替 2D 遮罩标注，有效利用不同模态数据进行训练，并大幅度减少了 2D 遮罩的注释成本。该框架包含两个关键模块：点标签分配（PLA）和基于图形的 - MEDIAR: 多模式显微镜数据中心和模型中心的协调
用于多模态高分辨率显微镜图像的弱监督细胞分割是一个基本任务。本文提出了 MEDIAR，这是一个周全的细胞实例分割流程，将数据中心和模型中心方法相结合，实现了在多模态下的高效分割。
- 物体作为时空 2.5D 点
提出一种基于弱监督学习的方法来估计具有鸟瞰视角位置的物体的三维位置，该方法可以在单个前馈网络过程中联合学习回归 2D 对象检测和场景深度预测，并在不需要 3D 或 BEV 注释或 LiDAR 数据的情况下对物体进行建模。
- EMNLPAX-MABSA：一种用于极弱监督的多标签基于方面的情感分析框架
本文提出了一种极弱监督的多标签方面类别情感分析框架，并提出了一种自动词语选择技术来选择这些种子类别和情感词，利用无监督语言模型后训练来提高性能，在四个基准数据集上的实验证明了该方法显著优于其他弱监督基线。
- MM弱监督语义分割：渐进式补丁学习
本文提出了一种新的渐进式补丁学习方法来提高弱监督语义分割中的局部细节提取，进一步将特征破坏和补丁学习扩展到多级粒度，同时与多阶段优化策略相结合来提供模型对不同程度的特征提取能力。此方法超越了大多数现有的弱监督语义分割方法，在 PASCAL - LogLG: 通过构建日志 - 事件图进行弱监督日志异常检测
本文提出了一种名为 LogLG 的弱监督日志异常检测框架，旨在探索序列中关键词之间的语义关联，通过 end-to-end 迭代过程中从无标注的日志中提取关键词构建日志事件图并训练检测模型，实现对未标记日志数据的异常检测，与现有方法相比 Lo - ECCV弱监督点云分割的双重自适应转换
提出一种基于 smoothness-based methods 的 DAT（Dual Adaptive Transformations）模型，通过在点级和区域级上执行对抗性策略，以强制实施 3D 点云的局部和结构光滑约束，从而有效地利用未标 - 实体增强的自适应重建网络用于弱监督的指称表达绑定
本研究提出了一种适应性重构网络，通过语义相似性计算、自适应定位和协作重构等三个模块的方式，克服弱监督条件下目标与表达之间的对应关系不足引发的问题，在五个数据集上的试验结果表明该网络优于现有的最先进方法。
- 基于稀疏条件隐马尔可夫模型的弱监督命名实体识别
本文提出了稀疏有条件隐马尔可夫模型 (Sparse-CHMM)，来解决弱监督下命名实体识别中的标签函数可靠性评估问题。Sparse-CHMM 通过估计每个标签函数的可靠性得分并以预定义的扩展函数将其扩展为发射矩阵，并在加权 XOR 分数的基 - WeDef: 文本分类的弱监督后门防御
本研究提出了一种基于弱监督的后门防御框架 WeDef，能够有效防御多种触发器类型，通过对可靠样本的迭代精炼，同时训练二元毒素分类器，能够在没有标签的毒化文档上训练出准确的分类器，最终达到对一些流行攻击方法的有效防御效果。
- CVPR弱监督目标定位中分类和定位之间的填补
本研究提出了一个新的方法，通过特征方向的对齐来解决分类和定位之间的不匹配问题，实现了基于弱监督的目标定位的最先进性能。
- 利用聚类辅助异物检测视频的弱监督训练
我们提出了一种弱监督的异常检测系统，包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块，以利用训练批次中的总体信息，降低标签噪声并提高特征表示学习，以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。
- CVPR基于代表性片段知识传播的弱监督时态动作定位
该研究提出了一种代表性摘要和传播框架，通过在视频中挖掘代表性片段来传播信息以生成更好的伪标签，从而解决了分类和定位之间的差异问题，并在 THUMOS14 和 ActivityNet1.3 数据集上取得了比现有方法更好的性能。
- 探索减少捷径行为的分类
本文提出了一种对 XIL 方法的单一分类方法，探讨了与之相关的度量和基准的各种方法，并通过方法论和定量的方式对其进行了比较，以此为基础提供了未来 XIL 方法发展的有价值应用方向.
- 弱监督语义分割中信息瓶颈的降低
本文通过对深度神经网络中信息瓶颈原理的分析，提出了一种处理像素级别的弱监督语义分割任务的新方法，该方法去除最后一层的激活函数并引入新的池化策略以弥补信息缺失，实验表明此方法在准确性和性能方面具有明显优势。