本研究提出了PI-VAD框架，通过引入五种附加模态来增强RGB特征，从而提高视频异常检测的可靠性。该方法在多个数据集上表现优异，展示了多模态信息整合的潜力。

本研究解决了高质量居民负载数据稀缺的问题，提出了一种基于生成对抗网络的合成居民负载模式生成模型（RLP-GAN），采用弱监督学习和过完备自编码器，能够有效捕捉复杂的负载数据依赖性。实验证明，RLP-GAN在捕捉时间依赖性和生成与真实数据相似的负载模式方面超越了现有的最先进模型，所生成的合成数据集也对外公开，推动了相关领域的发展。

该研究利用弱监督学习方法训练阿拉伯语语音识别模型，有效解决了标注数据不足的问题。模型在无人工标签的情况下，在标准测试中表现优异，验证了弱监督学习在低资源环境中的有效性。

本文提出了一种图类增量学习（GCL）方法，专注于图数据分析中的节点分类，尤其是处理缺乏标签的新类。GOTHAM框架利用原型表示和知识蒸馏技术，有效应对少量或无标签的新类，实验结果表明其适应性和有效性良好。

本研究提出了一种弱监督的BiSeg-SAM框架，结合SAM模型与CNN模块，显著提高了息肉和皮肤病变的分割精度，实验结果优于现有技术。

本研究提出了一种基于多代理强化学习的Flip Learning框架，旨在提高乳腺超声结节分割的精确性。该方法在大型数据集上进行验证，性能超过现有的弱监督方法，接近完全监督学习的效果。

本文探讨了弱监督学习在多实例部分标签学习中的可解释性和可靠性问题。通过引入归纳逻辑编程，提出了一种神经符号框架，增强了模型的结构性和学习指导，提高了模型的稳健性和透明度，确保神经网络的预测符合领域知识，适用于高风险应用。

本研究提出了一种弱监督学习方法，旨在降低现代搜索引擎构建标注数据集的时间和成本，从而显著提升搜索系统的精度。

本研究提出了一种上下文感知的弱监督方法CA-W3D，解决了弱监督单目3D检测中全局上下文捕捉不足的问题。通过区域级物体对比匹配和伪标签训练，显著提升了模型对场景特征的理解，实验结果表明该方法优于现有技术。

本研究针对被动声学监测中存在的数据标注不足问题，提出了一种名为DSMIL-LocNet的框架，通过仅使用包级标签进行鲸鸣的检测和定位。研究发现，利用较长音频段和中等实例能够显著提高分类和定位的精确度，优化了海洋生态系统的可扩展监测手段。

本研究提出了LocalEscaper框架，结合监督学习与强化学习，解决旅行商问题中的数据质量依赖和效率低下问题。实验结果表明，该框架在低质量标签数据集上表现优异，显著提升了扩展性和效率。

本文研究了在病理图像分析中，核实例分割面临的高成本精确标注问题。我们提出了一种傅里叶引导框架，通过融合先验信息来提升模型对核特征的捕捉能力，同时引入基于引导的实例级对比模块，进一步增强模型特征表现。实验证明，所提模型在弱监督场景下表现接近完全监督，且在未见数据上的泛化能力也很强。

本文探讨了在弱监督学习中如何通过多种标注形式提升定向物体检测的性能。作者利用Wholly-WOOD框架，展示了仅用水平框训练即可接近旋转框模型的效果，显著减少了对旋转标注的依赖，为定向物体检测开辟了新方向。

本研究探讨了在不可靠监督下语言模型后训练的有效性，提出的迭代标签精炼方法通过优化微调数据显著提升了模型性能，尤其在复杂任务中优于传统算法。

本研究提出了一种密集实例分离方法（DISep），有效解决了弱监督变化检测中的实例聚合问题，优化了像素特征，准确量化了变化数量，实验结果表明其性能显著提升。

本研究解决了弱监督医学图像分割中的标注不确定性问题，提出了一种创新的弱标注方法和学习框架EAUWSeg。研究表明，该方法通过引入边界多边形标注和特殊的学习机制，显著提高了分割性能，相比于完全监督方法，在性能上优越且标注工作量更小。

本研究针对组织语义分割中的弱监督学习方法存在的过激活和欠激活问题，提出了一种名为HisynSeg的新型框架。该框架通过图像混合合成和一致性正则化策略，将弱监督分割转变为全监督分割，显著提升了分割精度。在三个数据集上的实验结果表明，该方法达到了最先进的性能。

本研究针对现有弱监督视频异常检测方法在实时性和可解释性方面的不足，提出了一种新的框架TCVADS。该方法通过知识蒸馏和跨模态对比学习，设计了两阶段的检测系统，大幅提升了在边缘设备上的检测效率与可解释性，实验结果表明其在模型性能和检测效率方面显著优于现有方法，对智能城市监测应用具有重要影响。

本研究针对弱监督时序动作定位中的动作与背景模糊问题，提出了一种混合多头注意力模块和广义不确定性证据融合模块。所提方法通过滤除冗余信息和调整特征分布，有效提升了动作定位和分类性能，实验结果表明，所提方法在THUMOS14数据集上超越了现有的先进方法。