机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究提出了一种名为PI-VAD的框架，用于弱监督视频异常检测。通过引入五种附加模态来增强RGB特征，从而提高异常检测的可靠性。PI-VAD在多个数据集上表现出色，展示了有效整合多模态信息的潜力。

本研究提出了一种新颖的多实例学习专用Dropout方法（MIL-Dropout），旨在解决特征噪声和弱监督问题。实验结果表明，去掉包中最重要的前k个实例能显著提升模型性能，且计算成本几乎可以忽略不计。

本文提出了一种新颖的伪变换器框架，旨在解决弱监督时间行为定位中的时间标注缺失问题。通过引入RickerFusion生成高质量伪标签，优化训练过程，该方法在THUMOS14和ActivityNet1.3数据集上取得了优异的效果。

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。

本研究提出了弱监督框架GATE3D，旨在解决单目三维物体检测中缺乏准确3D标注数据的问题。通过一致性损失缩小领域差距，在KITTI基准和新室内数据集上取得了优异表现，提高了有限标注数据下的学习效率，展现出广泛的应用潜力。

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CA-W3D方法，解决弱监督单目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，显著提升模型对场景特征的理解，实验结果表明该方法在各项指标上超越现有技术，强调上下文感知知识的重要性。

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，旨在解决神经求解器在旅行商问题（TSP）中的挑战。该框架结合监督学习与强化学习的优点，能够在低质量标签数据上有效训练，并通过区域重构策略改善局部最优问题。实验结果表明，LocalEscaper在大规模TSP实例中表现优异，具有显著的扩展性和效率优势。

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。

本研究提出了一种新颖的弱监督方法，通过利用相邻帧的时间一致性显著性图，提升视频流语义分割的准确性。实验结果表明，该方法显著改善了废物分类的性能。

本研究提出了AxBench基准，用于比较引导和概念检测技术。结果表明，在引导任务中，提示方法优于现有技术，而在概念检测中，基于表示的方法表现最佳。此外，研究还引入了一种新颖的弱监督表示方法，在两项任务中均表现出竞争力。

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。