本研究探讨了深度学习模型中实例级不确定性值的可解释性，以评估人工智能系统的可靠性，特别是在磁共振成像中进行皮质损伤分割的焦点损伤分割。研究结果显示实例级不确定性值的潜力，可以提供后期全局模型解释，并作为模型的一种验证方法。

Jul, 2024

通过引入新的基于 V 信息的度量标准，本研究分析了从标准 ImageNet 训练的视觉模型中提取的 10,000 个特征的复杂性，并揭示了特征复杂度与网络的决策重要性之间的联系。

Jul, 2024

使用卫星图像和高质量的儿童贫困调查数据构建数据集，通过测试空间和时间的泛化能力，对多个模型进行基准测试，提供了构建卫星数据集的开源代码。

Jul, 2024

对 UNet、Res-UNet、Attention Res-UNet 和 nnUNet 等深度学习模型进行比较分析，并评估它们在脑肿瘤、息肉和多类心脏分割任务中的性能。研究重点关注精确度、准确度、召回率、Dice 相似系数 (DSC) 和 IoU 系数，以评估它们在临床应用中的适用性。nnUNet 在多个领域表现出优异的表现，特别是在脑肿瘤分割和心肌分割方面，被证明是最有效的模型。

Jul, 2024

使用语音启用的基础模型，包括灵活的语音识别系统或音频提示的大型语言模型（LLM），变得越来越流行。本文展示了这些模型除了自动语音识别（ASR）之外，还能使用适当的提示执行其他任务的有趣方面。

Jul, 2024

我们提出了一种称为 “机器退学” 的方法，用于解决个性化健康监测中 ECG 数据模型容易受到对抗攻击的问题，该方法通过选择性地删除敏感数据点来增强模型抵御对抗操作的能力，从而提高模型对个人隐私的保护。

Jul, 2024

本文提出了一种名为高频特征解缠和重新校准（HFDR）的新型模块，将特征分离为高频和低频部分，并重新校准高频特征以捕捉潜在有用的语义信息。此外，我们引入频率注意力正则化来调节模型对不同频率特征的提取，并缓解了对低频特征的偏见。通过大量实验，展示了我们的方法在抵抗各种白盒攻击、转移攻击和表现出强大的泛化能力方面的巨大潜力和优越性。

Jul, 2024

深度学习模型无法处理来自未见过分布的数据的能力引发了对无监督离群检测（U-OOD）的广泛关注，对可靠的深度学习模型至关重要。尽管引起了相当大的关注，但基于理论的方法却很少，大多数方法是在某种启发式方法的基础上构建的。最近，U-OOD 在数据不变量的背景下得到了形式化，从而更清晰地理解了如何表征 U-OOD，并且利用仿射不变量的方法在大规模基准测试中取得了最先进的结果。然而，对仿射不变量的限制阻碍了方法的表达能力。在这项工作中，我们将仿射不变量的公式扩展到更一般的情况，并提出了一个由类似于归一化流的架构组成的框架，能够学习非线性不变量。我们的新方法在大规模的 U-OOD 基准测试中取得了最先进的结果，并且我们证明了它在表格数据上的进一步适用性。最后，我们展示了我们的方法具有与基于仿射不变量的方法相同的理想特性。

Jul, 2024

研究通过优化最小样本特定扰动来对付多样人口子群（年龄和性别的组合）之间的最大损害，评估变分自编码器（VAEs）对非针对性对抗攻击的鲁棒性，揭示了鲁棒性差异存在且与子群大小并非总是相关，强调了老年女性等子群易于被错分的脆弱性。

Jul, 2024

该研究探讨了软件漏洞对日常软件系统的重大影响，评估了深度学习模型在现实场景中的表现，并发现了性能下降和过拟合等问题，提出了一个改进的数据集用于评估模型，并提出了增强技术以提高性能。

Jul, 2024