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。

本文介绍了一种新型弱监督语义分割方法，通过整体场景标注预测点云的点级标签，性能接近全监督方法。该方法利用无监督聚类和二分匹配将场景级标签传递给相关簇，实验证明在ScanNet和S3DIS数据集上优于现有技术，展示了其有效性和实用性。

本文介绍了基于深度学习和大语言模型的图像聚类方法，包括无监督聚类框架、CLIP模型、TAC方法和Multi-MaP等。这些方法通过自我监督和外部知识显著提升了聚类效果，并在多个基准数据集上表现优越，推动了图像聚类技术的发展。

本文介绍了多种基于深度学习的无监督子空间聚类方法，如深层稀疏子空间聚类（DSSC）和深闭式子空间聚类（DCFSC）。这些方法通过优化自编码器和引入新颖的相似性学习框架，显著提高了聚类准确性和性能，尤其在复杂数据结构处理上表现优异。实验结果显示，这些新方法在多个数据集上优于现有聚类算法。

本文介绍了一种基于变分推理的贝叶斯系统发育分析方法，结合分支分离贝叶斯网络和随机梯度上升，实现了高效探索，性能与MCMC相当。同时，研究了稀疏潜在因子模型中的Gibbs采样和变分贝叶斯框架在无监督聚类中的应用，证明了其在参数估计和模型学习中的优势。

本文探讨了变分自编码器（VAE）在气候数据处理中的应用，包括天气场景合成、异常检测和多变量时间序列分析。研究表明，VAE及其扩展模型在无监督聚类和根本原因分析中表现优越，能够有效处理高维数据并提高预测精度。

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。