#无监督学习

共 4 篇相关文章

Reddit 社区讨论 arXiv 论文 UnEZ：一种完全无监督且潜在空间直接可解释的神经网络。文章分析其与自编码器的区别、社区关注点及潜在影响。

UnEZ 是一个完全无监督、物理驱动的神经网络，无需红移或谱线强度标签即可预测光谱红移与谱线强度。在 SDSS DR18 上，SNR>10 时离群率 0.459%，性能与传统红移估计算法竞争，并可反向生成模板光谱。

SCARCE框架提出无标签图泛化新方法，通过两阶段训练（变分图自编码器重建与对抗环境混淆）实现隐式特征重加权，在合成数据和DrugOOD上取得无标签方法中最优OOD泛化性能，理论证明环境混淆等价于方向性惩罚。

LinSlot 论文将线性表示假设（LRH）引入基于槽位的视觉对象表示，提出联合发现物体与属性的概率模型，在 DCI 解耦指标上超越现有方法，并支持无监督图像编辑。