本研究提出了一种新颖的鲁棒多视角学习方法（RML），通过样本级注意力的表示融合和模拟扰动的对齐，显著提升了多视角学习的效果。实验结果表明，RML在无监督聚类和噪声标签分类等任务中表现优异，具有广泛的应用潜力。

本研究提出了一种零空间检测框架，旨在提高勒索软件的识别效率。该框架结合无监督聚类和深度学习技术，能够动态识别潜在行为模式，具有高识别率和低误报率，适用于快速变化的网络环境。

该研究介绍了FeCA算法，用于解决联邦学习框架中的无监督聚类问题。该算法通过自适应精炼局部解并聚合以恢复全局解，解决了非凸优化目标和数据异质性的挑战。同时，将FeCA扩展为表示学习，并与DeepCluster结合在联邦学习框架中进行无监督特征学习。

使用领域特定的预训练BERT模型和Transformer编码层提取长文档的句子嵌入，并通过无监督聚类提取隐藏标签，以提高预测法律案例判断结果的性能。实验结果显示了领域特定预训练Transformer编码器的重要性。

该论文提出了一种基于交叉模态检索的自动医学图像报告生成方法，通过无监督聚类和最小规则分组识别异常发现，并使用视觉-语义嵌入对齐图像和小粒度异常发现，提高了异常发现的检索和文本生成度量。