标签
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。
提出了首个使用 Diffusion Transformer 进行IC潜在缺陷筛选的无监督异常检测框架，在工业16纳米测试数据上取得了最先进的性能。
SilIF 通过基于轮廓的评分层增强了孤立森林，该层应用于每棵树路径长度指纹，在 IEEE-CIS 基准测试上平均提升 +0.0080 AUC-PR，改善了无监督交易欺诈检测性能。
提出了CALAD，一个用于多变量时间序列异常检测的通道感知对比学习框架，该框架利用估计的通道相关性构建对比样本，实现了最先进的性能。
一个业余项目展示了一种赫布架构AI模型，该模型避免使用反向传播和梯度，在CIFAR-10上训练50个周期，展现出涌现行为，如准确率下降后跳升以及在针对性损伤后的恢复。
本文系统研究了不同评估目标（准确率、轮廓系数、PCA重构损失）以及子集大小正则化方向如何影响多目标无监督特征选择中的搜索动态与解质量，结果表明基于轮廓的公式倾向于产生琐碎的低基数解，而PCA损失则能生成紧凑且具有竞争性准确率的子集。
AdaGraph是一种图原生聚类算法，在kNN图拓扑结构内运行，以克服维度灾难，并通过结构中心机器学习范式在基因组学、自然语言处理和材料科学领域得到验证。
本文研究了是否可以通过无监督几何方法对齐不同被试视觉皮层的fMRI表示，发现了个体间近似等距结构的证据，将柏拉图式表示假说扩展到人脑。
TILT提出了一种新颖的目标函数，用于在协变量偏移下进行无监督域适应，该函数对未标记目标数据上的辅助组件施加惩罚，隐式实现了具有有界估计量的自定位重要性加权。理论保证和在偏移CIFAR-100上的实验表明，目标域性能优于基线方法。
本文提出了一种无监督框架，通过混合潜空间建模来模拟结构连接组中与获取相关的变异，利用架构退火编码器输出消除了手动容量调优的需求。
本文提出了一种局部感知的私有类识别方法，以及一种基于可靠最优传输的方法（ReOT），以解决极端标签偏移下的域适应挑战，特别是区分共享类与私有类。
本文介绍了 MultiLinguahah，这是一种基于 BYOL-A 编码器表示并使用隔离森林（Isolation Forests）进行无监督多语言声学笑声分割的方法。作者证明，通过将笑声检测视为异常检测任务，该方法在非英语环境下的表现优于最先进（SOTA）的监督方法。
MSR-MEL 提出一种无监督框架，利用大语言模型对多视角证据进行合成与推理，实现多模态实体链接，在标准基准上全面超越既有方法。