本文提出了一个无监督框架，用于共同建模微博交谈中的主题内容和话语行为。通过神经模型发现会话涉及的主题和参与者表达意见的词群。实验证明，该模型能产生连贯的主题和有意义的话语行为。研究还发现，该框架可以增强微博信息分类的性能。

该研究提出了一种新的无监督框架，通过学习结构化表示和方向性移动，从无标签的离线数据中预训练通用策略，能够适应任意新任务。实验证明，该策略在模拟机器人的测试中以零样本方式解决目标有条件的和通用 RL 任务，并优于先前方法。

RainyScape是一个无监督的框架，能够从多角度的雨天图像集合中重建干净的场景。该框架包含神经渲染模块和雨预测模块，通过学习预测网络和潜在嵌入，联合优化这两个模块以消除雨水痕迹并生成干净的图像。实验表明该方法在消除雨水痕迹和渲染干净图像方面具有卓越表现，达到了最先进的水平。