Este contenido aborda métodos para anticipar representaciones visuales a partir de videos sin etiquetar. La investigación explora la capacidad de los modelos para aprender características visuales sin supervisión explícita, mejorando la comprensión contextual en secuencias de video.
Este artigo propõe uma estrutura de refinamento baseada em raciocínio que utiliza LLMs como juízes semânticos para validar e reestruturar os resultados de algoritmos de agrupamento de texto não supervisionados. A estrutura inclui verificação de coerência, adjudicação de redundância e fundamentação de rótulos, visando melhorar a qualidade dos clusters sem dados rotulados.
Este contenido analiza la aplicación de métodos de aprendizaje no supervisado para la detección de anomalías en la red Bitcoin. Busca identificar patrones inusuales o transacciones fraudulentas aprovechando técnicas de IA sin datos previamente etiquetados.
Esta investigación sugiere que la generalización robusta adversarialmente en modelos de IA puede lograrse principalmente utilizando una mayor cantidad de datos sin etiquetar. El estudio implica que una mayor disponibilidad de datos, y no solo cambios arquitectónicos complejos, podría ser clave para construir modelos más resilientes y generalizables.
Este contenido explica el K-Means Clustering, un método de aprendizaje no supervisado para encontrar grupos en datos sin etiquetas. Detalla el algoritmo paso a paso, conceptos clave como centroides e inercia, y métodos para elegir el número óptimo de clústeres (K).
Este estudio aplica un flujo de trabajo de aprendizaje automático no supervisado, utilizando K-means, para el análisis de electrofacies y la caracterización de porosidad en datos de pozos en cuencas marinas. La metodología identificó cuatro electrofacies distintas con separación moderada, ofreciendo un enfoque robusto basado solo en registros para la interpretación geológica cuando los datos de núcleos son escasos.
AdaGraph es un algoritmo de agrupamiento nativo de grafos, surgido del paradigma Structure-Centric Machine Learning (SC-ML), que disuelve la maldición de la dimensionalidad mediante la sustitución de la computación basada en geometría por la basada en topología. Funciona dentro de la topología de grafos kNN, no requiere la especificación previa del número de clusters y se escala de manera eficiente.
Esta investigación explora la categorización no supervisada de transformaciones entre pares de entradas utilizando restricciones algébricas, buscando una comprensión fundamentada de buenas representaciones. Propone la división de parámetros para refinar métodos galois-teóricos previos, abordando su dependencia de suposiciones auxiliares y mejorando la descomposición de grupos.
FREIA es un algoritmo novedoso de aprendizaje por refuerzo que mejora los LLM para el razonamiento no supervisado, abordando la falta de adaptabilidad en los métodos existentes. Utiliza la Recompensa Impulsada por Energía Libre (FER) para equilibrar el consenso y la exploración, y la Configuración Adaptativa de Ventaja (AAS) para ajustar las señales de aprendizaje. FREIA supera a las bases de referencia no supervisadas en tareas de razonamiento, especialmente en matemáticas.
Este artículo presenta un nuevo marco para la detección de anomalías en conjuntos de datos del Sistema de Identificación Automática (AIS) marítimo, centrándose en comportamientos anormales de embarcaciones. Propone una nueva métrica de calidad, MADQI, para evaluar el rendimiento de los modelos de aprendizaje no supervisado en la detección de estas anomalías sin requerir datos etiquetados.