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，旨在解决在线广告中的领域数据分布变化问题，通过自我监督学习自动识别领域，展示其商业价值与潜力。

该研究提出了一种名为“全能剪枝”（PAR）的新框架，旨在提升大型视觉语言模型（LVLMs）的推理效率并降低计算成本。PAR通过自适应剪枝和自我监督学习，实现了性能与效率的优良平衡，展现出应对不同剪枝场景的灵活性。

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。

自我监督学习通过利用无标签数据降低对外部标签的依赖，研究评估了其协议，发现线性/kNN探测协议表现最佳，并探讨了批归一化的重要性及其对领域转移的鲁棒性，同时分析了区分性与生成性自我监督方法的性能差异。

自我监督学习在语音识别中表现优异，但微调所有层会导致性能下降。研究表明，HuBERT模型的顶层信息更贴近输入，适合语言任务。通过改进训练过程，增强HuBERT顶层，取得了更快的收敛速度和竞争力的性能。

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。

最近，自我监督学习在视觉基础模型训练中取得突破，通过在大型临床病理数据集上预训练，提升下游任务表现。研究发现，病理数据预训练优于自然图像，DINO算法效果最佳。这标志着计算病理学研究的进步。

通过自我监督学习和大规模临床病理数据集的预训练，训练了视觉基础模型，提高了下游任务的性能。DINO算法在所有测试任务中表现出更好的泛化性能，标志着计算病理学研究的一个阶段性变化。

通过自我监督学习和大规模无标签数据集，训练了视觉基础模型，用于临床病理数据集的预训练和下游性能评估。病理数据的预训练对下游性能有益，DINO算法在测试任务中表现更好。计算病理学研究迎来了新时代。

本文研究了表格数据中的自我监督学习不平衡问题，特别关注自编码器。提出了一种新的平衡学习的度量方法：多重监督平衡MSE。实验证明该方法在数据不平衡和学习不充分时表现更好。

本文研究了时间序列中的自我监督学习方法，比较了对比和生成两个主要流派。通过实现经典算法并进行比较分析，提供了每种方法的优势和劣势，并为选择合适的SSL方法提供了实用建议。研究结果对表示学习领域有影响，并提出了未来的研究方向。

研究人员通过自我监督学习和病理数据预训练取得了突破性进展，为计算病理学研究开辟了新时代。DINO算法在所有测试任务中表现更好。

自我监督学习是一种有效的方法，可以从大规模无标签数据中学习表示，对时间序列分析显示出有希望的结果。本文从对比和生成两个主要流派对比研究了时间序列中的自我监督表示学习。我们介绍了对比和生成 SSL 的基本框架，并讨论了监督信号的获取方法。通过比较分析经典算法 SimCLR 和 MAE，我们提供了每种方法的优势和劣势的见解，并为选择合适的 SSL 方法提供了实用的建议。我们还讨论了研究结果对表示学习领域的影响，并提出了未来的研究方向。

自我监督学习方法通过解决预设任务，利用无标签数据进行模型训练，降低成本。研究发现线性/kNN探测协议是最好的预测器，批归一化对领域转移有重要性。挑战区分性和生成性自我监督方法之间的关系，发现性能差异可通过模型解释。

DeY-Net是一种新的自去噪方法，通过将辅助降噪解码器纳入U-Net结构中，利用自我监督学习减少过拟合并提高域泛化能力。实验证明，DeY-Net在肝脏分割基准测试中取得了显著的领域泛化改进和先进结果。

本文介绍了一种基于单时相影像的无监督变化检测框架，通过自我监督学习和图像补丁交换等步骤改善变化检测器性能。实验证明该框架在无监督情况下超过了代表性的方法，并对SOTA方法的F1值有了显著改进。

自我监督学习用于预训练（SSP）可以帮助网络学习更好的低层次特征，特别是当训练集的规模较小时。然而，目前的实验结果并不支持这个假设。