标签
提出Oat，一种轻量级无监督方法，用于识别基于LLM的代理失败轨迹中的错误步骤。该方法利用仅在成功轨迹上训练的神经控制微分方程，在域内和域外设置下实现200-5000倍于提示基线的加速，并显著提升F1分数。
本文提出 C2TSP，一种用于旅行商问题的端到端无监督学习方法，该方法使用'构造即连接'的吉布斯族学习近环结构上的可处理分布，并结合隐式微分和证书引导锐化以保留可解释的哈密顿结构。
本文证明，无需文本提取的文档无监督视觉预训练在语言智能方面持续优于纯文本预训练，为基础模型提供了一种高效且可扩展的方法。
提出了一种新颖的自监督图像聚类框架，该框架使用进化策略外层循环来最大化“惊喜分数”，无需每步损失，并与梯度下降内循环配对，在严格非参数设置的标准基准上取得了最先进的结果。
提出TENSOR，一种无监督异常检测方法，通过使用时间点过程和LLM响应分析时间行为与语言模式来识别信息操作用户。在五个真实数据集上优于基线方法。
本文提出SCISE，一个可扩展的无监督图聚类框架，通过社区感知采样和结构熵克服小批量训练中的结构孤立问题，在基准数据集上取得了最先进的结果。
提出了一种新的分类数据聚类中内部属性距离度量方法，该方法分别处理名义属性和序数属性，同时保留顺序关系，并引入了一种集成权重学习和划分的聚类算法。
本文提出一种基于K-Means++的无监督聚类框架，用于检测资本市场数据中的可疑交易模式，轮廓系数达到0.561，识别出2.02%的交易可能为欺诈。
提出一种新框架，结合主动学习、掩码重构与极小极大策略，以改进无监督时间序列异常检测。在28个测试案例中，相较于基线模型，AUC提升12.39%。
NEO是一种新型世界模型，它能够从原始观察中自行发现可重用的解释构建块，无需监督或语言，被选为ICML 2026的口头报告。
RGLD结合全局随机特征密度估计与局部邻域分析，实现高效的无监督表格异常检测。在47个数据集上取得了顶尖的AUROC性能，同时比深度检测器快50倍至580倍。
AnTenA 是一个可解释性系统，利用大语言模型为通过张量分解提取的隐藏模式生成自然语言解释，无需依赖可能不准确的标签或元数据。
提出了一种基于Wasserstein-GAN的方法，用于传感器引起的分布漂移的无监督校准，并在跟踪探测器玩具模型和带有老化效应的模拟量能器数据上进行了验证。
MM++是一个完全无监督的事后分布外检测框架，通过Top-K门控特征融合融合具有判别性的中间层，并使用正则化的绑定协方差矩阵进行尺度不变距离估计。
介绍了时间差视觉表征学习范式（Temporal Difference in Vision, TDV），这是一种新颖的视觉表征学习范式，无需数据增强、掩码、裁剪或重建即可学习有用的表征，并在密集空间任务上达到与最先进方法相当的性能。
DataCOPE 是一个面向数据分析智能体的无监督验证器引导的技能发现框架，它从探索轨迹中提取验证器信号，无需标注监督。在报告式与推理式数据分析任务上，分别提升了 9.71% 和 32.30% 的性能。
本文介绍了一致性（coherence）这一几何约束，受大脑中网格细胞和头朝向细胞的启发。一致性确保特征响应数据流形上的几何连通区域，从而提升可解释性；作者提出了一个可微分的目标函数（Coh），并在合成数据、旋转MNIST和BERT词元嵌入上进行了验证。
本文引入内部一致性最大化（ICM）方法，无需人工监督即可生成针对特定角色的示例，用于将AI与多样化的人类价值观对齐，并证明一致性示例在多个基准测试中具有更好的泛化能力。
本文介绍了MADQI，一种在无需标注数据的情况下评估海上AIS数据中无监督异常检测的复合指标。该框架结合了四个指标，在测试数据集上取得了80.37%的MADQI分数。
本文提出了一种使用无监督稀疏自编码器和自然倒排索引的单阶段稀疏编码方法，以加速多向量检索，其效果优于传统的基于k-means的方法。