普林斯顿大学：一项新技术让AI学会了"看清证据"再作答
这项由普林斯顿大学与加州大学戴维斯分校联合开展的研究，于2026年6月15日以预印本形式发布在arXiv平台上，编号为arXiv:2606.17053v1。研究方向涵盖自然语言处理与多模态人工智能，有兴趣深入了解的读者可通过该编号查阅完整论文。
业界干货 | 图解自监督学习，从入门到专家必读的九篇论文
如果人工智能比作一块蛋糕，那么蛋糕的大部分是自监督学习，蛋糕上的糖衣是监督学习，蛋糕上的樱桃是强化学习。
图对比学习的最新进展
导读:本文跟大家分享下图自监督学习中最近比较热门的研究方向:图对比学习，在近期的进展以及组内在此方向上最近的一些工作。
再介绍一篇最新的Contrastive Self-supervised Learning综述论文
自监督学习最近获得了很多关注，因为其可以避免对数据集进行大量的标签标注。它可以把自己定义的伪标签当作训练的信号，然后把学习到的表示用作下游任务里。
arXiv最新 | 表格基础模型能读生理信号吗？
这篇工作把表格基础模型的思路搬到生理时间序列分类上。也就是EEG（脑电）、ECG（心电）、ICU生命体征这类信号的分类。这类任务在临床上有共同的难点，像是标注样本少、类别不平衡、人和人之间差异大之类的，传统深度模型得针对每个数据集单独训练、还容易过拟合，换个数据集或模态就不行了。
孪生网络如何识别面部相似度？有这篇PyTorch实例教程就够啦！
这是两篇文章的第二篇，为了更系统地了解与掌握该教程，在阅读本文之前，建议最好通读机器人圈的前一篇文章。
深度了解自监督学习，就看这篇解读！恺明新作MAE：通向CV大模型
作为代表作的 kaiming 的 MoCo 引发一波热议， Yann Lecun也在 AAAI 上讲 Self-Supervised Learning 是未来的大势所趋。
会「进化」的合成数据！无需上传隐私，也能生成高质量垂域数据
张剑清是一名上海交通大学在读博士生，获中国人工智能学会「青托」、吴文俊人工智能荣誉博士及国家奖学金。
不平衡数据下对比学习的理论分析：从训练动态到剪枝解决方案
论文标题:Theoretical Analysis of Contrastive Learning under Imbalanced Data: From Training Dynamics to a Pruning Solution。对比学习已成为表征学习中的一种强大范式，能够在不依赖标签的情况下有效利用无标注数据。