本研究提出了一种基于高光谱成像和变分自编码器的无监督番茄裂果检测方法，发现530nm至550nm波长范围最适合检测裂果，成功识别异常并估计异常区域，从而提高温室农业中番茄的质量管理。

本文提出了一种结合文本特征与外部知识库的新方法，用于检测推文中的道德价值表达。研究开发了MoralStrength词汇表，展示了其在道德预测中的优越性。通过混合神经符号技术，增强了大型语言模型在伦理推理中的有效性，并探索了无监督道德价值检测的最新模型。

本文探讨了无监督二维对象检测在自动驾驶中的应用，利用LiDAR数据和3D点云特征提高检测准确性。研究提出了一种多模态自动标注流程，能够处理新物体类型，并在无监督3D感知任务中表现优异。通过自我监督与对象先验结合，显著提升了检测性能。

本研究探讨了多种深度学习方法在图像异常检测中的应用，包括无监督异常检测、混合概率分布和多尺度对比学习网络。通过建立正常图像模型和优化算法，显著提高了检测性能，尤其在医学成像和工业应用中表现出色。研究还提出了统一的基准评估，比较了多种异常检测方法，明确了未来研究方向。

本文探讨了自动语音识别（ASR）中的误差校正（AEC）技术，提出了无监督检测框架UCorrect和基于非自回归的拼写校正模型等多种方法，以解决低资源领域的问题。这些方法显著降低了词语错误率，并在多个基准测试中表现优异。

本文提出了 DriftLens，一个基于深度学习的无监督实时概念漂移检测框架，具有快速检测和高相关性。研究探讨了通过模型重用和自编码器应对概念漂移的策略，强调持续监控和适应性调整的重要性，以提升机器学习模型性能。

大型语言模型（LLMs）在立场分类中展现出潜力，尽管整体准确性未必优于传统模型。研究表明，LLMs能够简化无监督立场检测，减少手动标注需求。本文探讨了LLMs在多语言和复杂语言中的应用，强调其在自动立场检测中的有效性，尤其是ChatGPT的表现与有监督学习相当。

本文研究了深度离群点检测模型中的超参数选择问题，提出了一种新算法，通过引入损失熵指标，自动识别最佳停止时机，从而提升模型性能并减少训练时间。研究表明，当前流行的无监督离群检测方法在性能上不如基于预训练特征的简单检测器。

本文探讨了大型语言模型（LLMs）在立场分类中的应用，尽管其整体准确性未必优于传统模型，但为无监督立场检测提供了新途径。研究介绍了使用BERT和ChatGPT进行立场检测的教程，展示了其在多语言和低资源环境中的有效性，强调了模型的可用性和准确性。

本文介绍了多种视频异常检测方法，包括基于生成合作学习的无监督检测、隐私感知框架TeD-SPAD、伪标签生成框架，以及结合大语言模型的LAVAD方法。这些方法在多个数据集上表现出色，提高了异常检测的准确性和效率，并平衡了标注成本与性能。此外，研究还提出了新的数据集NWPU Campus和多种创新技术，推动了视频异常检测领域的发展。

本文提出了一种名为Cut-and-LEaRn（CutLER）的方法，用于无监督物体检测和分割。该方法通过生成粗略蒙版并在其上训练检测器，实现了零样本无监督检测，显著提升了性能，并结合自我监督学习和图割算法，在多个图像和视频任务中表现优越。

本研究提出了一种基于对比学习的GOOD-D图像对比学习框架，能够无监督地检测OOD图像，并捕捉潜在的ID模式。实验结果表明该方法在检测OOD图像方面具有卓越性能。

本文介绍了机器学习中的漂移现象及其影响，提出了一种无监督漂移检测方法，采用基于核的统计检验来比较参考和目标分布，并估计任何潜在的漂移。该方法能够识别导致漂移的生产数据子集，并通过重新训练模型来改善在线客户体验质量指标。

机器学习中的漂移是指数据或上下文的统计特性随时间改变而导致模型性能下降。我们提出了一种无监督漂移检测方法，通过将样本编码为目标分布并使用核统计检验来比较参考和目标分布，估计漂移。该方法还能识别导致漂移的生产数据子集。重新训练模型使用高漂移样本后，在在线客户体验质量指标上表现出改进。