SimCSE项目提供一个简单的句子嵌入对比学习框架，支持有标签和无标签数据。无监督模型使用标准dropout通过输入句子预测自身，有监督模型利用NLI数据集的注释对进行对比学习。用户可以轻松安装并使用SimCSE进行句子嵌入、相似性计算和句子检索。该项目支持HuggingFace集成和faiss相似性搜索库，并提供全面的模型评估和训练脚本。详细信息和代码请参阅SimCSE仓库。

CF-3DGS是一种新型3D场景重建技术，无需依赖COLMAP等传统SfM工具。该方法可直接从未标定图像序列学习3D高斯散射表示，通过迭代优化相机姿态和场景表示来实现高质量新视角合成。在Tanks and Temples等数据集上，CF-3DGS展现出优秀性能，为3D重建和新视角合成领域提供了高效灵活的解决方案。

UnsupervisedScalableRepresentationLearningTimeSeries项目提出了一种无监督可扩展表示学习方法,专门用于处理多变量时间序列数据。该方法基于三元组损失训练编码器,能够处理等长或不等长时间序列。项目提供了UCR和UEA数据集实验代码,包括迁移学习和稀疏标记实验。此外,还包含预训练模型和结果可视化工具。在多个基准数据集上,该方法展现出优秀的性能,为时间序列分析领域提供了创新解决方案。

DCLGAN是一种新型无监督图像到图像转换模型，采用双重对比学习方法。相比CycleGAN，它能实现更真实的几何变换；相比CUT，具有更高的稳定性和性能。DCLGAN适用于多种图像转换任务，如猫狗互换和马斑马互换。项目提供了预训练模型和使用指南，便于研究者进行实验和评估。

该项目汇集了欧洲航天局2018年举办的6场机器学习讲座资源。讲座内容涵盖机器学习导论、线性回归、支持向量机、决策树、随机森林、神经网络、深度学习、无监督学习和文本挖掘。每场讲座提供视频、幻灯片和实践笔记本，展示了机器学习在航天领域的应用。

FreeInit改进了视频扩散模型的一致性，通过简单的频率滤波器实现噪声重初始化，无需额外训练。已集成至Diffusers和ComfyUI-AnimateDiff-Evolved，可在Hugging Face上体验在线demo。项目代码和示例脚本方便研究人员应用。

本项目实现了《统计学习方法》一书中的机器学习算法，涵盖监督学习和无监督学习方法。代码采用Python编写，每行均有详细注释，关键部分标注公式出处。项目还提供相关博客链接，旨在帮助学习者深入理解算法原理，适合机器学习入门者参考学习。

DiffSeg是一种利用稳定扩散模型注意力信息的无监督零样本图像分割方法。这个开源项目实现了DiffSeg算法，并提供环境设置指南、运行说明和基准测试。DiffSeg在CoCo-Stuff-27和Cityscapes数据集上表现出色，为计算机视觉领域提供了新的解决方案。特别适合研究无监督学习和零样本学习的专业人士，以及需要高效、灵活图像分割方案的研究人员和开发者。

kshape-python是一种用于单变量和多变量时间序列聚类的高效无监督算法。该方法在ACM SIGMOD 2015会议上获得最佳论文奖，已在多个科学领域和知名企业中广泛应用。kshape-python在准确性和效率方面表现出色，在包含100多个数据集的基准测试中名列前茅。该项目提供CPU和GPU版本实现，可处理大规模时间序列数据。项目提供详细的安装说明、使用示例和基准测试结果，支持单变量和多变量时间序列数据，可在CPU或GPU上运行。该方法在UCR和UAE两个established benchmarks上进行了评估，展示了其在不同数据集上的性能。

Anomaly-Transformer是一种时间序列异常检测模型，利用关联差异作为可区分标准，并结合Anomaly-Attention机制和极小极大策略提高检测效果。该模型在多个基准数据集上展现出优秀性能，为无监督时间序列异常检测领域提供了新的解决方案。

该项目汇集了领域自适应技术的最新研究论文、代码和相关资源。内容涵盖无监督、半监督、弱监督等多个子领域,以及计算机视觉、自然语言处理等应用场景。论文按主题分类整理,并提供代码实现链接,方便研究人员快速了解该领域前沿进展,是领域自适应研究的重要参考资料库。

这个项目提出了一种新型无监督夜间图像增强方法,结合层分解和光效抑制技术来提升夜间图像质量。该方法能有效去除不必要的光效,同时提高图像整体可见度。在多个低光照数据集上,这种方法展现出优异性能,为夜间图像处理领域开辟了新思路。项目公开了源代码、预训练模型和数据集,便于研究人员进行深入研究和应用。

Orion是MIT数据到AI实验室开发的开源库，专注于无监督时间序列异常检测。该项目提供多个验证过的机器学习管道，能够识别时间序列数据中的异常模式。Orion集成了自动机器学习工具，支持AER、TadGAN等算法，并提供完善的文档、教程和基准测试。兼容Python 3.8-3.11版本，可通过pip轻松安装。适用于需要进行时间序列分析的研究人员和开发者。

ADGC项目汇集了最新深度图聚类研究成果,包括重构性、对比性和生成性等多种方法的论文、代码和数据集。此外还收录了重要的综述文献,为研究人员提供了全面的深度图聚类资源和最新进展。

YAKE是一款轻量级的无监督自动关键词提取工具,基于单个文档的文本统计特征选择关键词。它无需训练数据集、词典或外部语料库,适用于不同规模、语言和领域的文本。在多个数据集上,YAKE相比其他无监督方法和监督方法都表现出优势。除Python包外,YAKE还提供在线演示、API和移动应用等使用方式。

该项目为Python无监督学习提供实践指南,介绍scikit-learn和TensorFlow框架处理未标记数据的方法。涵盖聚类、降维、生成模型等算法,并提供代码示例。项目包含Windows、macOS环境配置说明,支持GPU加速。内容涉及模式发现、异常检测、自动特征工程等应用,适合机器学习从业者参考学习。

EigenGAN-Tensorflow是一个基于TensorFlow实现的生成对抗网络框架,采用层级特征分解方法。该项目提供CelebA和Anime数据集的训练测试代码,可生成和操控高质量人脸与动漫图像。通过特征分解实现图像属性的无监督学习和精确控制,支持多GPU训练,并提供预训练模型。此开源项目为GAN研究和开发提供了实用工具。