本文提出了一种多模态信息最大化框架，通过提高单模态输入与多模态融合结果之间的相互信息，提升下游任务性能。同时，研究介绍了基于互信息最大化的多模态表示模型，以解决模态异质性问题。实验结果验证了该方法的有效性，为多模态学习提供了参考。

本文提出了一种新型无监督测试时训练（TTT）技术，通过最大化多尺度特征图与离散潜在表示之间的相互信息，整合到标准训练中。实验结果表明，该方法在不同测试时适应基准上表现出竞争力的分类性能。

本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性。

本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。最后，强调 GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性，因为聚类数目是先验未知的。

本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。与相互信息不同，一些 GEMINI 在训练时不需要正则化，因为它们在数据空间中具有几何意识的距离或核函数。最后，强调 GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性，因为聚类数目是先验未知的。