本研究提出了CLDG框架，解决动态图无监督表示学习中的性能下降问题。通过引入实时持久信号，增强节点表示的一致性，实现时间平移不变性。实验结果表明，该方法在七个数据集上超越了八个最先进的基线，且训练时间和模型参数显著减少，证明了其有效性和高效性。

本研究提出了一种新的分析框架，通过跨域潜在分布匹配（LDM）在无先验知识的情况下识别多领域数据中的内容和风格变量，为无监督表示学习提供了理论和实践依据。

本文探讨了信息理论在稀疏信号恢复、序贯学习和无监督表示学习中的应用，提出了新的算法和理论界限，改进了现有方法的性能，尤其在机器学习和统计估计中提供了更精确的界限和指导原则。

介绍了Spectral Inference Networks框架，用于无监督表示学习，通过学习线性算子的特征函数。应用于量子力学和合成数据集，从视频中恢复线性算子的特征函数并发现可解释的表示。

本文介绍了一种名为Spectral Inference Networks的框架，用于无监督表示学习。该框架通过随机优化学习线性算子的特征函数，并在量子力学和合成数据集上应用。它能从视频中恢复线性算子的特征函数并发现可解释的表示。

该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数ProtoNCE loss。该方法在多个基准测试中表现优于当前最先进的基于实例对比学习方法，对低资源转移学习有显著改进。

该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数ProtoNCE loss。该方法在多个基准测试中的表现优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有显著改进。

该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，通过增加原型作为潜在变量来寻找最大似然估计。提出了一种基于对比学习的通用损失函数ProtoNCE loss，此方法在多个基准测试中表现优于当前最先进的基于实例对比学习方法。

UmURL是一种无监督表示学习框架，可提取骨架输入的统一表示，并实现鲁棒动作理解。该框架在三个大规模数据集上取得了最先进的骨架-based动作表示学习性能。

本文介绍了Spectral Inference Networks框架，用于无监督表示学习。该框架可以通过随机优化学习线性算子的特征函数，并在量子力学和合成数据集上展示了其应用。从视频中准确恢复线性算子的特征函数并发现可解释的表示。