本研究提出了一种统一的信息论方程，概括了表征学习中多种损失函数的多样性。研究发现多种机器学习方法能够最小化KL散度积分，支持聚类、谱方法和对比学习，并开发了新损失函数，使ImageNet-1K的无监督分类性能提升超过8%。

本研究提出了一种新方法MATPAC，结合掩蔽潜在预测与无监督分类，显著提升音频分类性能。MATPAC在多个数据集上超越现有方法，展现出更强的自监督学习能力。

本研究提出了一种轻量级方法，通过历时词相似度矩阵分析多个时间段的语义转变，克服了仅考虑相邻时间段变化的不足，能够深入分析持续的语义转变，并对表现相似的词进行无监督分类。

本文综述了高光谱图像分析中的多种方法，包括基于图的非局部全变分方法、深度学习技术和特征选择方法。研究表明，新算法在无监督分类和异常检测中表现优越，具有高效性和准确性。

本文介绍了一种无监督分类方法，通过预训练模型和流形学习提高图像分类准确率，减少对标注数据的依赖。在高细度真菌种类的可视化分类中，该方法达到了78.4%的准确率。此外，研究探讨了自监督学习在计算机视觉中的应用，证明其在域泛化方面优于监督学习。