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。

本文介绍了一种基于深度神经网络的高分辨率遥感图像无监督地物分类方法，结合伪标注和样本选择以提高模型的转移性。同时，研究探讨了基于Transformer的弱监督方法和交互式查询模型框架，展示了在土地覆盖分类中的最新进展和效果。