浙大团队提出了一种自我监督的强化学习方法GUI-RCPO，能够在无标签数据上提升GUI定位能力。该方法通过区域一致性引导模型自我优化，减少对标注数据的依赖，展现出良好的泛化性和准确性。实验结果显示，GUI-RCPO在不同模型上均有显著提升，验证了其有效性。

本研究提出了Baguan模型，通过战略预训练减少天气预测中的过拟合问题。该模型基于自我监督的Siamese自编码器，实验结果表明其在中期天气预测中优于传统方法。

该研究提出CLaP方法，旨在从大规模无注释时间序列数据中有效识别和定位潜在状态及其转变。CLaP通过自我监督技术，在无监督环境中显著提高了状态检测的精度和效率，实验结果表明其优于其他五种算法，并具备良好的可扩展性。

本研究提出一种两阶段框架，整合知识图谱与大语言模型，通过自我监督量化表示方法压缩知识图谱信息。实验结果表明，该方法在链接预测和三元组分类任务中显著优于现有技术。

本文提出了优化学习的概念，设计了能够解决参数优化问题的代理。这些代理结合深度学习与自我监督训练，特别在电力系统的实时风险评估中展现出潜在价值。

本研究提出了一种新型主动学习框架MUSEL，旨在提升自我监督机器人学习的样本效率和准确性。实验结果表明，MUSEL在动作效果学习方面优于现有方法。

本文探讨了通过人类遥操作游戏数据提取自我监督视觉模型的方法，结合策略学习和强化学习，实现机器人在复杂环境中的高效操作。研究提出了多种控制策略学习框架，并展示了其在不同操纵任务中的优越性，同时探讨了利用互联网视频训练视觉能力模型的方法，以提升机器人执行任务的能力。

本研究探讨了幼儿的注视行为如何促进自我监督的物体学习，提出了一种生物启发的视觉学习模型，表明幼儿的视觉体验能有效学习物体的不变表示，从而提升机器学习在不同视角下的识别能力。

该研究提出了一种自我监督的在线适应方法AdaCropFollow，旨在提高自主农业机器人在冠层下导航的准确性。通过结合视觉基础模型和几何先验，该模型能够在不同环境中自我适应，实现全自动的作物行跟随能力。

该论文提出了一种基于物体形状和接触的功能性抓握合成框架，并利用ContactPose数据集评估接触建模。研究表明，通过新目标模型和自我监督任务生成的抓取姿态显著提升了抓取效果。此外，引入以关节为中心的传感器和多模态抓取扩散方法，增强了模型的泛化能力，推动了手部操作合成的进展。

该论文探讨了连续学习中的灾难性遗忘问题，提出了生成回放、自我监督技术和对比学习等新方法，显著提升了学习性能。研究表明，选择性重演和适应性记忆回放等策略有效减少遗忘，优化了神经网络在在线学习中的表现。

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。

研究提出了一种自我监督的互信息对齐方法（SAMI），用于优化多任务环境中的语言模型。SAMI通过增强行为偏好与模型响应的联系，在多任务测试中表现出色，尤其在数学准确性上有显著提升。该方法无需偏好标签或示范，能够在对话和摘要任务中超越预训练和微调模型，为模型优化提供了新思路。

本文介绍了机器人技术的进展，包括自我监督的数据收集流程、基于动态图卷积神经网络的部件组装方法、自动操作求解器系统、生成式机器人代理RoboGen，以及基于大型语言模型的控制策略Text2Robot。这些研究旨在提升机器人在复杂环境中的操作能力和效率，推动机器人技能学习和应用的规模化。

本研究探讨了大型语言模型（LLMs）在医疗领域的应用，提出了自我监督框架和对齐策略以提高生成准确性。通过MedAlign数据集评估多种LLMs的表现，发现高错误率并强调提示工程的重要性。此外，研究提出了Two-phase Verification方法，以提高不确定性估计的可靠性，确保生成信息的准确性。

本文介绍了针对大型语言模型（LLM）和知识图谱的创新方法，包括自我监督自适应图对齐（SS-AGA）、可解释的知识图对齐模型i-Align，以及基于知识图谱检索增强的方法。这些方法旨在提升模型在零样本学习和多步推理中的能力，展示了显著的性能提升和对齐效果，为LLM的自我改进提供了新思路。

本文介绍了一系列基于大型语言模型和视觉感知的机器人协作系统，强调自我监督的数据收集、演示学习和人机信任的提升。这些系统在复杂环境中能够有效完成装配和导航任务，提高了人机交互的自然性和效率。

本文介绍了一种基于弱监督学习的3D物体检测方法，提出的VS3D框架在KITTI数据集上表现优异，结合了无监督模块和知识蒸馏策略。研究探讨了稀疏监督和自我监督方法，以提高基于LiDAR的检测效率和准确性，实现高精度的三维目标检测。

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。