标签
一个 GitHub 仓库，提供 JEPA 系列模型（I-JEPA、V-JEPA、V-JEPA 2、C-JEPA）的极简、独立 PyTorch 重新实现，供教育用途，包含教程和可视化工具。
本文提出了一种名为智能分区自监督去噪（iPSD）的方法，该方法通过在不需干净参考数据的情况下对噪声片段进行分区，实现了深度脑电去噪器的无监督训练。
本文介绍了 NATD-GSSL 框架，用于评估图自监督学习在含噪声的文本驱动生物医学图上的鲁棒性。研究表明，尽管存在现实世界的噪声，某些 GNN 架构和 pretext tasks（辅助任务）仍能保持性能，为在不完美数据集上进行无监督学习提供了实用指导。
一位研究者分享其在白菜氮缺乏检测中，使用SSL方法（BYOL、MAE、VICReg）进行高光谱作物胁迫分类时仅获得约50%准确率的困境，寻求关于更适合光谱数据的SSL技术、特征工程和模型架构的建议。
本文提出通过将自监督任务表达为自然语言指令，增强多模态语言模型中的视觉指令调优，从而在不增加架构或标注的情况下提升以视觉为中心的推理能力。通过将经典的自监督预文本任务（如旋转预测、颜色匹配和跨视角对应）重构为图像-指令-响应对，该方法仅需在训练数据中注入3%-10%的视觉化指令，便能在多个基准测试中实现一致的性能提升。
# 论文页面 - TIPSv2：以更强的块-文本对齐推进视觉-语言预训练 来源：[https://huggingface.co/papers/2604.12012](https://huggingface.co/papers/2604.12012) 发布时间：4 月 13 日 · 提交者 [https://huggingface.co/bingyic](https://huggingface.co/bingyic) [](https://huggingface.co/bingyic) [bingyi](https://huggingface.co/bingyic) 于 4 月 20 日 作者：，，，，，，，，，，，，，，，，，## 摘要
介绍了 Next-Latent Prediction (NextLat)，这是一种自监督目标，训练 Transformer 预测其下一个潜在状态，鼓励形成紧凑的内部世界模型，并提高跨序列建模任务的泛化能力。
本文提出了一种名为自监督提示优化（SPO）的框架，该框架通过输出对比来优化大语言模型的提示词，无需外部参考，显著降低了成本和数据需求。