标签
本文介绍了GRaCE，这是一个无监督框架，用于通过基于排名的度量生成可解释的图嵌入，在文本和图像数据的检索、分类和聚类任务中优于现有方法。
GUIDE 是一个用于中文查询纠正的生成式无监督框架，利用语音和视觉共享ID编码来约束纠正并适应不断变化的词汇，在实验和在线A/B测试中超越了基线。
本综述论文对80种基础模型的无监督训练后处理方法进行了分类，根据内部更新信号进行组织，并提出了一个统一的选择和评估框架。
本文研究了使用flow matching在表格数据上的无监督异常检测，重点关注受污染的训练集，并比较不同的评分方法以增强鲁棒性。
Co-RL是一个合作多智能体框架，通过对等推导的奖励，实现语言和视觉语言模型的无监督推理改进，减少对ground-truth标签的依赖，并通过增加群体多样性缓解训练崩溃。
本文提出了CMR-Mamba，一种利用Mamba状态空间模型进行无监督工业故障检测的因果机制监控方法，专注于耦合故障，并在机电、液压和网络物理系统上进行了评估。
提出了一种对偶-原始图变分自编码器架构，将真实标签视为潜在变量，用于聚合嘈杂的众包标签，无需单独的分类器即可在众包基准上取得最先进的结果。
Presents STCAD, a scalable framework using BERT-based encoding and CURE clustering to perform trajectory clustering and anomaly detection on terabyte-scale AIS maritime data, demonstrating stable clusters and clear separation of anomalous vessel behavior.
本文提出了一种无监督的火区划分方法，将分水岭检测与K-means聚类相结合，以改进短期野火预测，并在法国多个省和多种预测模型上表现出相较于基于网格的方法的一致性能提升。
本文提出了一种无监督方法，用于提取语言隐喻并将其分组为概念隐喻，并将该方法应用于分析左倾与右倾播客之间的框架差异。
本文介绍了LUCID，一种由LLM引导的可解释、无需训练的无监督社区检测方法，采用受相变动力学启发的四阶段流水线，在真实图数据上取得了最先进的性能。
freeCodeCamp 发布了一本关于 Python 聚类的综合手册，涵盖 K-means、层次聚类和 DBSCAN 聚类，并附有实现和可视化。
本文提出RHEA，一种面向多模态属性图聚类的可靠性感知框架。该框架通过邻域一致性估计节点特定的模态可靠性，重建不可靠模态，并使用可靠性感知融合和最优传输聚类。在四个基准上的实验显示出一致的性能提升，尤其在属性含噪或缺失的情况下。
本文研究了不平衡表格数据上的深度聚类方法，提出了两种新颖的集成方法，分别通过跨嵌入维度聚合聚类分配或通过多数投票进行集成，在16个数据集上优于单个方法。
本文提出了一种新颖的无监督数据增强方法，结合高斯混合模型和大语言模型，通过为代表性不足的聚类生成合成文档，改善不平衡文本数据集上的聚类效果。
ConvGRUAutoencoder将卷积层与门控循环单元结合，用于压缩和重建视频序列，从而实现无需人工标注的无监督学习。
提出混合潜变量-结构融合（HLSF），一种加权异常融合框架，结合CP-APR结构异常分数与来自归一化流的隐空间密度分数，在真实受损用户凭证数据上提升了网络异常检测性能。
潜在行为在机器人领域越来越受关注，它使得从无动作标签的无标注视频中学习成为可能。DeepMind和FAIR的最新论文展示了从受控游戏环境到野外互联网视频的进展，有望实现模仿学习的可扩展训练。
FastCentNN 是质心神经网络的一种加速变体，它利用基于每个训练轮次质心移动的熵代理来触发早期分裂，从而将运行时间减少高达16%，同时保持聚类质量。
本文比较了用于过滤风电场SCADA数据以仅保留正常运行测量值的聚类算法，引入了适用于未标记数据的评估指标，并基于对三台海上风机的测试给出了建议。