本研究提出了一种双向强化学习框架，旨在解决多模态病理图像理解中的推理能力不足和计算负担问题。该方法通过无监督学习和动态令牌分配，在多项病理任务中平均提高了41.7%的性能，并减少了70.3%的推理成本。

本研究评估了现代视觉异常检测方法在半导体制造中的应用，特别是在缺乏标记样本的情况下。通过基于MIIC数据集的基准，展示了无监督学习的有效性，降低了检测成本，提高了效率，推动了行业技术进步。

本研究提出了StabStitch++框架，解决视频拼接中的变形抖动问题。该方法通过无监督学习实现了空间拼接和时间稳定，显著提升了视频拼接性能，推动了实时在线视频拼接系统的发展。

本研究提出了一种新颖的无监督持续学习框架“记忆重放（R2R）”，旨在解决神经网络的“灾难遗忘”问题。该方法通过不确定性反馈和生成重放模块，显著提升知识保留效果，超越现有技术。

本研究提出了OmicsCL模块化对比学习框架，旨在解决多组学数据中无监督学习疾病亚型的难题，挖掘与患者生存相关的临床集群，为个性化医疗提供新思路。

本研究提出CSE-SFP方法，旨在提高无监督句子表示学习的效率。该方法通过一次前向传播实现有效的对比学习，显著提升嵌入质量，降低训练时间和内存消耗，对文本表示领域具有重要影响。

该研究提出了一种无监督的城市土地利用制图方法，通过对比聚类模型和地理先验提升街景图片的聚类效果，能够有效生成高精度的城市土地利用地图，为城市规划提供灵活解决方案。

该研究提出了一种名为TECL的框架，旨在解决基于大型语言模型的文本聚类中的高计算和财务开销问题。TECL利用LLM反馈，在有限查询预算下实现高效且准确的无监督文本聚类，实验结果表明其在相同成本下优于现有方案。

本研究提出TUMLS方法，旨在解决数字病理学中全视图图像的注释劳动强度和计算需求问题。该方法利用自编码器实现无监督细胞核分割，显著提高了工作流程的透明度和效率。评估结果表明，TUMLS在细胞核分割方面优于现有方法，展现出良好的应用潜力。

本研究提出了Graph-EQ，一种基于图神经网络的深度图生成模型，旨在解决现有方程发现方法的速度慢和过拟合问题。该模型通过无监督学习大量方程数据，有效发现真实方程，并利用贝叶斯优化探索潜在空间。

本文介绍了PLUME搜索，一种通过无监督学习提升组合优化搜索效率的方法。实验结果表明，该方法在二次分配问题上持续提高了解决方案质量，并展现出良好的泛化能力。

本研究提出了一种新型的两阶段无监督水下图像分割方法，旨在解决水下视频中鱼类分割的挑战。通过合成和生成真实图像数据，填补了标注数据的不足，并在DeepFish数据集上验证了其有效性，表现接近完全监督模型。同时，推出了DeepSalmon数据集，提升了鲑鱼分割效果。

本研究提出了一种新的无监督对比学习框架TNCSE，解决了句子嵌入中仅考虑方向而忽视模长特征的问题。通过约束正样本的模长特征，优化了无监督学习，实验证明其在语义文本相似性任务中表现优异。