通过去除不相关和多余的特征，特征选择旨在找到具有良好泛化能力的原始特征的紧凑表示。 随着无标签数据的普及，无监督特征选择已显示出可有效减轻维数的诅咒，对于全面分析和理解无标签高维数据的无数至关重要，这是由于子空间聚类中低秩表示法的成功所致，我们提出了一种用于无监督特征选择的正则化自我表示（RSR）模型，其中每个特征都可以表示为其相关特征的线性组合。 通过使用L-2，L-1-范数来表征表示系数矩阵和表示残差矩阵，RSR有效地选择了代表性特征并确保了对异常值的鲁棒性。 如果某个特征很重要，则它将参与大多数其他特征的表示，从而导致出现大量的表示系数，反之亦然。 对合成数据和现实世界数据进行的实验分析表明，该方法可以有效地识别代表性特征，在聚类精度，冗余减少和分类精度方面优于许多最新的无监督特征选择方法。

Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval(CVPR2018)

通过非负低秩表示对高光谱图像进行半监督子空间聚类

无监督用户身份链接的分配距离最小化

TheSparksFoundation_Task-4_Decision-Trees 决策树是用于分析数据的图形表示。 决策树以这种方式为我们提供数据，我们可以轻松地读取，理解和分析数据。 决策树算法属于监督学习算法家族。 ...使用决策树的目的是创建一个训练模型，该模型可以通过学习从先前数据（训练数据）推断出的简单决策规则来预测目标变量的类或值

深度补丁学习，用于弱监督的对象分类和发现

通过集合选择器进行基于粗糙集的半监督特征选择

中央广播电视大学《监督学》期末总复习资料（含答案）

在监督模式下训练的深度模型在各种任务上都取得了显著的成功。在标记样本有限的情况下，自监督学习(self-supervised learning, SSL)成为利用大量未标记样本的新范式。

使用无监督方式的新Haar-Weibull方差模型检测钢表面缺陷