该文提出了一个多自监督经预优化变形网络，通过无监督学习方法降低数据成本并减少预训练模型与目标任务之间的知识差距。同时，提出了多模型语义一致性交叉注意融合网络，用于检测任务。实验结果表明，该方法在车辆识别和道路病害检测数据集上均有显著改进，证明了其有效性。

本文介绍了QRAM模型中解决k-均值聚类问题的量子逼近方案，运行时间仅依赖于数据点数量的对数多项式，能够高概率输出一个成本不超过(1+ε)倍最优解的k个中心集合。这是第一个具有对k-均值问题具有（1+ε）可证逼近保证且具有多项式对数运行时间的量子算法。与先前的无监督学习方法不同，该算法不需要量子线性代数子程序，与参数（如条件数）无关。

本文介绍了QRAM模型中解决k-均值聚类问题的量子逼近方案，运行时间依赖于数据点数量的对数多项式，能够高概率输出一个包含k个中心的集合，成本不超过最优解的（1+ε）倍。这是第一个具有对k-均值问题具有（1+ε）可证逼近保证且具有多项式对数运行时间的量子算法。与先前的无监督学习方法不同，该算法不需要量子线性代数子程序，运行时间与参数无关。