本研究提出了一种新的联邦聚类方法，解决了无监督场景下联邦学习的应用不足。该方法能够在无标签和不均匀数据分布的情况下实现跨多个客户端的完整类别识别，并显示出在无监督的联邦学习环境中提高数据表示精度的潜力。

本研究旨在提升物体再识别表现，通过使用原型对比学习（PCL）损失直接微调CLIP的图像编码器，消除了prompt learning的需要。实验结果证明了该方法在人物和车辆再识别数据集上的竞争力，并在无监督场景中达到了最新的表现。

最近的研究发现，大型语言模型在无监督场景中无法与传统的基于映射方法相媲美。为了解决这一挑战，提出了自我增强的上下文学习（SAIL）用于无监督的双语词典归纳。SAIL在两个基准测试中优于LLMs的零样本提示，并且整体上优于基于映射的基准线。对SAIL进行了全面的分析，并讨论了其局限性。

本研究通过使用PCL损失直接微调CLIP的图像编码器，提高了物体再识别的表现，无需prompt learning。实验结果表明，该方法在人物和车辆Re-ID数据集上具有竞争力，并在无监督场景中表现优异。