本研究提出了一种无监督方法，优化了检索增强生成（RAG）模型中上下文的利用，显著提升了问答任务的表现，尤其在PubHealth任务上准确率提高了19.7%。

本研究提出了一种自动化异常检测方法，旨在提高人寿保险合同中高质量数据的可靠性，展示了多种无监督方法的有效性及其自动应用潜力。

我们开发了一种多功能道德价值检测方法，使用GPT 3.5进行零样本无监督多标签分类，无需标记数据训练。结果表明，自然语言推理方法的性能与Davinci模型相当。我们还比较了监督模型与无监督方法在不同领域的效果，评估了各自优劣，推动了道德价值检测的发展。

团队SCaLAR在《SemEval-2024任务5》中提出了一种无监督方法，通过相似度和距离生成标签，解决法律论证的二元分类问题。结合CNN、GRU、LSTM和Legal-Bert嵌入，处理法律文本复杂性。引入基于T5的分段摘要，提升模型性能。无监督系统在开发集和测试集上分别提高了20和10个百分点，显示了其有效性。

现有无监督方法难以有效识别知识，通常只关注活跃特征，可能导致分类器预测错误。实验结果显示这些方法的局限性。为此，提出了新的评估方法以改善知识引出技术。研究还指出，区分模型知识与模拟角色知识的问题将持续存在。

本文介绍了监控视频中异常事件检测的挑战和解决方法，包括无监督的混合架构设计和深度特征提取。同时还介绍了其他相关的异常事件检测方法和技术。

本研究提出了一种新的无监督方法，使用单语数据生成跨语言句子嵌入和合成平行语料库。通过微调预训练的跨语言掩码语言模型，得到多语言句子表示。实验证明，该方法比基准模型改进了22个F1点，并且合成的双语语料库能改善其他语言对的结果。

本文提出了一种无监督的方法来区分名词的意义变化，并通过数字化书籍中的严格时间变化文本数据构建分布式词库网络，将它们分别聚类以获得与不同时间点对应的以词为中心的意义聚类。该方法可应用于词汇编纂和语义搜索，并经过人工评估和WordNet对比，该算法在48个样本和21个样本分别中正确识别出60.4％的新出现情况，57％的分裂/合并情况，并有44％的新意义得到WordNet验证。

本文提出了一种新颖的路径一致性概念，用于学习强健的物体匹配，无需使用手动物体标识监督。通过改变模型可以观察的帧的方式，即跳过观察中的帧，我们可以得到多个不同的关联结果来追踪一个物体。实验证明该方法在各种评估指标上优于现有的无监督方法，并且接近监督方法的性能水平。

视频摘要研究受限于缺乏多样化和有代表性的数据集。该研究提出了一种无监督方法，利用视频数据结构和信息生成信息摘要，并引入了专门用于视频摘要的评估流程。实验结果显示，该方法优于现有无监督方法，并与最先进的监督方法竞争。

本研究提出了一种名为mDPPM的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从健康脑的样本级标签生成所需的表示，确保结果是解剖一致的。该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了我们的无监督方法相对于现有完全/弱监督基线的优越性能。

基于模型的深度图像先验 (MoDIP) 是一种新颖的无监督方法，用于解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。实验证明，MoDIP 在不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，提高了病理性脑 QSM 的准确度和计算效率，并且运行速度快。

本研究提出了一种名为mDPPM的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从健康脑的样本级标签生成所需的表示，确保结果是解剖一致的。该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了我们的无监督方法相对于现有完全/弱监督基线的优越性能。

SCaLAR团队在SemEval-2024任务5中提出了一种基于相似度和距离的无监督方法来解决二元分类任务。他们使用CNN、GRU和LSTM等特征以及Legal-Bert嵌入来处理法律文本复杂性。通过引入基于T5的分段摘要，他们成功提高了模型性能。无监督系统在开发集和测试集上都取得了显著的得分提高。

本研究提出了一种无监督方法来生成和扩展主题分类法，使用主题建模和关键词提取技术创建初始分类法，并使用大型语言模型进行后处理。通过零样本提示确定添加新节点的位置。评估结果显示分类法的一致性率超过90％，商户分配的一致性超过80％。

基于模型的深度图像先验 (MoDIP) 是一种新颖的无监督方法，用于解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。MoDIP 在不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，提高了病理性脑 QSM 的准确度和计算效率，运行速度快。

本研究提出了一种无监督的方法，通过分析用户视线信号来检测机载视频中的错误，提升智能眼镜中的用户辅助功能，并通过分析异常视线模式预测眼睛视线轨迹以识别错误。该方法在 EPIC-Tent 数据集上验证了其在监督和无监督技术上的优越性。

本文研究了医疗保健领域中大型多模态模型（LMMs）的适应性问题，并提出了上下文学习（ICL）作为解决方案。通过无监督的ICL方法和基于类别条件对比不变性（CCI）的InvariantSelectPR方法，改进了LMMs的适应能力，提高了性能。

我们提出了一种无监督方法，通过两个平面投影重建三维体积。使用体积结构的生成模型约束变形，能够准确估计并适用于传感器校准。在挑战性数据集上的评估表明，该方法优于现有方法。可应用于手术和放射治疗等场景，减少患者辐射暴露。

SCaLAR团队在SemEval-2024任务5中提出了一种基于相似度和距离的无监督方法来生成标签，解决二元分类任务。他们使用CNN、GRU和LSTM等特征和Legal-Bert嵌入来解决法律文本复杂性的问题。通过引入基于T5的分段摘要，他们提高了模型性能。无监督系统在开发集和测试集上都取得了显著提高。