#无监督学习

这篇论文把无监督学习拆成四个目标，分别对应密度估计、生成、特征提取和数据分析，做研究或选方法时能帮你对号入座。

做聚类分析的朋友可以看看这篇：RTKNNC 不用提前定簇数，靠双向KNN图多尺度找簇，变密度数据上的ARI从0.78拉到0.96。

TaskBridge让表格基础模型能直接做异常检测，不需要重新训练，效果还更好。

Weigert lab 发了新方法，不用标注就能做细胞分割和分类，效果跟监督方法差不多，代码已经开源了。

这篇论文教你用无监督聚类自动分析心脏PET/MRI，在99名患者上准确匹配医生判断，省时省力。

给机器人训练加进度标签太麻烦了，UR-VC能自动修正常见的时间噪声，不用额外标注，在布料折叠任务上实测有效。

这篇论文教你怎么用可解释性找自动驾驶模型的bug，还能动手修好它，比单纯黑盒调参靠谱多了。

这篇论文教你怎么不用标数据就自动设好验证阈值，在四个数据集上测了准确率94%，跟用标数据的方法差不多，挺实用的。

这篇用边的曲率做无监督社区检测，在异质图上赢了九个基线，聚类器部分提升显著，代码也开源了。

这篇论文提出了UL4M4，一个能在半数以上模态缺失时仍保持高F1分数的无监督框架，特别适合实际中数据不全的多模态场景。

论文提出无需应力的本构模型发现新方法

CRAFTIIF 解决了多变量时间序列异常检测中四种异常类型难以统一检测的痛点，做运维监控、工业故障诊断或金融风控的团队可以直接用这个无监督框架，无需手动调参就能获得可解释的异常类型归属。

图聚类是网络分析的基础问题，这项研究解决了同时利用网络结构和节点属性的难题。做社交网络分析、生物网络或推荐系统的研究者，可以关注这个自学习框架带来的性能提升。

做无监督学习和持续学习的团队终于有了聚类场景的专用方案——FBCC 不依赖标签和旧数据就能保持聚类结构，做数据流聚类或隐私敏感场景的开发者可以直接参考实验设置。

做时序异常检测的团队终于有了一个能应对真实系统结构漂移的无监督方案——ContrastAD 用动态图对比代替硬性不变性，在五个数据集上 F1 全部领先，做运维监控或工业异常检测的值得关注。

这项研究让LLM自己说出它的思考过程，做AI安全或模型可解释性的研究者可以直接用这个工具来理解模型行为，比传统探针方法更直观。