S-DUDE 是一种适用于去噪 DMC 受损数据的算法，该算法可通过滑动窗口降噪器来最小化整体损失，并通过动态规划实现高效运算，表现优异且适用于个体序列或分段稳定数据流

Aug, 2007

利用 DNN 设计通用的离散去噪器（Neural DUDE），无需额外的训练数据，通过伪标签和新颖的目标函数实现无监督学习，能够在选择超参数的系统规则条件下，在多个应用中显著优于现有技术。

May, 2016

通过最小化经验估计损失函数，从噪声受损数据中适应性地学习参数的神经网络 DUDE 的去噪损失限制类似于监督学习中标准经验风险最小化器（ERM）的泛化误差下限。我们表明其本质上也存在于去噪损失限制中，在所有有界的网络参数和所有基础干净序列上都能一致地保持其无偏估计损失集中于真实去噪损失，这是我们开发的关键工具。最后，我们证明了 Neural DUDE 的超参数可以从一个小的验证集中选择，以显著提高去噪性能。

Sep, 2017

本研究介绍了一种新方法 Deep Uncertainty Distillation using Ensembles for Segmentation (DUDES)，它能够高效地进行深度神经网络的预测不确定性估计，而不会牺牲性能，以解决自动驾驶、医学图像和机器视觉应用中模型可靠性不足的问题。

Mar, 2023

该论文提出了一种新颖的流利性提升学习和推理机制，结合卷积 seq2seq 模型，成功将神经序列到序列的方法应用于语法错误纠正 (GEC)，在 CoNLL-2014 10 注释数据集上获得了 75.72（F_{0.5}）的最好表现，在 JFLEG 测试集上获得了 62.42（GLEU)）的最好表现，并成为首个在这两项基准测试中都达到人类水平性能（分别为 CoNLL-2014 72.58 和 JFLEG 62.37）的 GEC 系统。

Jul, 2018

本文提出了两种噪声感知训练对象来提高对受干扰输入的序列标记的鲁棒性，一种是使用混合干净和嘈杂样本的数据增强方法来训练神经模型，另外一种是通过稳定性训练算法鼓励模型生成噪声不变的潜在表示，实验结果证实，这种方法能够提高流行的序列标记模型的鲁棒性，保持原始输入的准确性。

May, 2020

通过优化动力学解耦脉冲序列的应用，我们在模型量子系统上进行了实验测量，证明了我们能够显著抑制量子位的错误率。我们通过实时反馈找到新的序列，并将这些序列与已有的序列进行比较，证明了这些本地优化的脉冲序列在测试中表现优于其他所有序列。

Dec, 2008

SOAP3-dp 是一个同时提供高速和高灵敏度的短读比对软件，它利用 CPU 和 GPU 的计算能力和优化算法来优化短读比对，相对于其他广泛采用的比对器和 GPU 比对器，SOAP3-dp 在不同长度的 Illumina 读取上的灵敏度和假发现率 (FDR) 均最高，速度也提高了 10 倍以上，并能发现更多的新变异体和更长的 Indels

Feb, 2013

本文在处理嘈杂的文本数据或 OCR 输出时，提出了改进的噪声感知训练方法，并通过一种从无误文本翻译为有误文本的序列对序列模型，提出了实证误差生成方法。利用 OCR 引擎生成大型平行文本语料库进行训练，针对错误序列标注数据集提出了多种真实世界的噪声序列标注基准。通过学习基于噪声语言模型的嵌入，可以克服文本输入不完美时数据稀疏性问题。我们的方法在错误的序列标注数据集上优于基线噪声生成和错误修正技术，为未来的鲁棒性研究提供了帮助，我们作为开源项目提供了我们的代码、嵌入和数据转换脚本。

May, 2021

metaSPAdes 是一款新型的组装器，使用计算思想，解决了元基因组数据组装的挑战，并在不同数据集上与其他最先进的元基因组组装器进行了基准测试，得到了高质量的组装结果。

Apr, 2016