本研究提出了一种基于概念的无监督领域适应（CUDA）框架，旨在解决概念瓶颈模型在领域转移中的性能下降问题。通过对抗训练和松弛阈值，CUDA提高了模型的鲁棒性，实验结果表明其在真实数据集上的表现优于现有方法。

本研究针对无线通信、雷达、生物医学工程和物联网等领域中无标签时间序列数据的快速增长，综述了自编码器和视觉变换器在无监督信号分析中的应用与进展。研究显示，这些模型在特征提取、异常检测和分类方面具有显著优势，特别是混合架构和自监督学习有助于克服可解释性、可扩展性和领域泛化的挑战，为信号智能的发展提供了有效的路径。

本研究提出TUMLS方法，旨在解决数字病理学中全视图图像注释的劳动强度和计算需求问题。该方法利用自编码器进行无监督细胞核分割，显著提高了工作流程效率，展现了在该领域的应用潜力。

本研究提出了一种不对称共识状态空间模型（ACMamba），有效解决了高光谱图像无监督异常检测中的高计算成本问题。通过使用区域级实例替代像素级样本，显著降低了计算开销，同时保持了检测精度。实验结果表明，ACMamba在速度和性能上优于现有方法。

本研究解决了传统质量-多样性算法对预定义行为描述符和任务知识的依赖问题，提出了一种新的算法矢量量化精英（VQ-Elites），它能够自主构建结构化的行为空间网格，消除了对任务特定知识的需求。实验结果表明，VQ-Elites在生成多样化高质量解决方案方面表现出色，显示出其在复杂领域的适应性和潜在影响。

本研究提出了一种名为AMAD的新方法，旨在解决无监督多变量时间序列异常检测中的模型泛化能力不足问题。该方法结合了自动掩蔽机制和注意力混合模块，取得了优异的表现。

本文介绍了PLUME搜索，一种通过无监督学习提升组合优化搜索效率的方法。实验结果表明，该方法在二次分配问题上持续提高了解决方案质量，并展现出良好的泛化能力。

本研究提出GLADMamba框架，解决无监督图级异常检测中的长距离依赖和光谱信息忽视问题。实验结果表明，该框架在12个数据集上的表现显著优于现有方法。

该研究解决了多标签分类中的注释获取困难与成本高的问题。提出了一种新方法，通过利用目标物体周围的多视角，并结合分类器的类激活映射（CAM）指导下的弱标签去偏置，从而提升了分类性能。实验结果证明该方法在多个数据集上优于现有技术。

本研究提出了一种新颖的无监督点提示交互分割框架M2N2V2，解决了以往方法的训练和引导问题，提升了效率与准确性，缩小了无监督与监督方法之间的差距。