本研究提出了一种扩展可识别性理论的新方法，旨在解决自我监督学习（SSL）领域理论解释不足的问题。该理论框架有助于理解SSL中的隐含数据假设，推动更具可解释性和广泛性的学习，重点关注训练动态、有限样本和数据多样性的影响。

本研究提出了一种新评估协议，解决了自我监督学习在3D场景理解中的局限性。通过掩蔽场景建模，所开发的自我监督模型在性能上与有监督模型相当，并超越了现有方法。

本研究提出自适应$^2$框架，以解决在线广告中领域数据分布变化的问题。通过自我监督学习自动挖掘领域信息，展示了其在广告系统中的商业价值和自动领域识别潜力，开启了新的研究方向。

该研究提出了一种名为“全能剪枝”（PAR）的新框架，旨在提高大型视觉语言模型（LVLMs）的推理效率。PAR通过自适应剪枝流程和自我监督学习，优化性能与效率的平衡，适应不同剪枝场景。

本研究提出了SmartBSP自我监督学习框架，结合PPO和CNN，旨在解决自主机器人在复杂环境中的路径规划与障碍物避免问题，实验结果表明其具有良好的适应性。

本研究探讨了自我监督学习在语音表征模型中的应用，分析了不同模型中间层的声学和语言信息。研究表明，解码器架构和上下文长度对模型性能有显著影响。优化训练过程后，HuBERT模型在语音识别任务中表现优异，并在下游任务中具备竞争力。

该研究探讨了异常检测中的多种方法，包括深度学习、自我监督学习和无监督验证损失，提出了新技术和模型，强调数据增强和分类方法的有效性，解决了异常检测中的挑战，展示了模型的鲁棒性和优越性。

本文介绍了SlowFast网络在视频识别中的应用，通过结合Slow路径和Fast路径来提高识别精度。同时，研究了SpeedNet模型的自我监督学习、视频加速技术、视频生成模型的优化及Contextualized World Models的引入，显著提升了机器人操作和自动驾驶等领域的样本效率。此外，提出了VSTAR方法以改善长视频生成的动态性，并开发了新数据集LVD-2M以推动长视频生成研究。

本文介绍了多种自动定理证明方法的进展，包括PACT、NaturalProver、Magnushammer、LEGO-Prover和DS-Prover。研究表明，自我监督学习和神经网络技术显著提高了定理证明的成功率，尤其在复杂数学问题上。新方法miniCTX框架通过引入上下文信息，提升了模型的证明性能，为神经定理证明领域提供了新的评估视角。

本文探讨了深度学习在普适计算中的人类活动识别技术，介绍了循环神经网络的训练方法及模型适用性。研究利用多模态数据和自我监督学习技术提升活动识别模型性能，并提出新方法解决数据稀缺问题，分析了编码器和解码器架构的扩展性，为模型设计提供新方向。

本文提出了一种基于KL-CPD的核学习框架，用于时间序列变点检测，优化了测试功率的下限，显著优于现有方法。同时介绍了自适应LSTM自编码器变点检测（ALACPD）和基于自我监督学习的变化检测模型，这些方法在多个数据集上表现出色，显示出在变点检测的准确性和性能上有显著提升。

本文介绍了手语翻译和识别技术的进展，包括基于关键点的损失函数、手势视频生成、姿势提取和自我监督学习等方法。这些新技术在手语翻译的准确性和效率上优于传统方法，尤其在低资源手语语言中展现出潜力。

本文探讨了图神经网络（GNN）和自我监督学习在分子表征学习中的进展，提出了GROVER、Equiformer、Moleformer和AMCT等新框架和模型，这些模型在分子性质预测任务中表现出显著的性能提升。研究强调了预训练和几何感知编码的重要性，推动了分子建模领域的发展。

本研究提出低秩变压器（LRT）神经网络架构，旨在提升语音识别的泛化性能和效率。通过自我监督学习和低秩适应技术，研究表明在低资源环境下，使用少量标记数据可实现先进性能，并显著降低训练时间和模型大小。实验结果显示，伪标签和新训练框架Fira能有效提升自动语音识别系统的准确性和鲁棒性。

本文探讨了自我监督学习在小型标注数据集上的应用，提出了一种新目标函数以解决表示坍塌问题。研究表明，该方法通过正则化和对比学习提升模型性能，强调鲁棒性的重要性。实验结果显示，该框架在多种下游任务中表现优异。

本文总结了元学习领域的现状，探讨了通过改进学习算法应对深度学习中的挑战，重点介绍了少样本学习和强化学习等应用。提出了多种元学习方法，如神经ODE、MetaModulation和自举元自我监督学习，展示了这些方法在不同任务中的有效性和潜力。

本研究提出了一种基于自我监督学习的声音事件检测模型MAT-SED，采用掩码重构预训练策略，显著提升了在缺乏标注数据情况下的性能，尤其在DCASE2023任务4中表现优异，有效解决了传统模型的局限性。

该研究提出了一种统一的RmGPT模型，通过信号令牌框架和自我监督学习，提高了旋转机械在诊断和预测任务中的准确性，尤其在少样本学习中表现出色。

本研究探讨了自我监督学习在计算病理学中的应用，强调领域特定模型的优势及数据多样性对模型性能的影响。评估结果显示，CONCH模型在多项任务中表现最佳，融合模型在多数任务中优于单一模型，促进了病理学研究与临床应用的结合。