在影像重建领域，深度学习因其在图像分类等任务中的示例成功而崭露头角，但其不稳定重建方式成为一个至关重要的问题。本文提出了一种新的稳定性测试方法，并研发了易于使用的软件，旨在帮助科学家和政府机构（如美国食品和药品管理局）确保深度学习方法的安全应用。测试发现，深度学习中的不稳定现象表现在多个方面，包括微小的扰动引起重建图像中的严重伪影，小的结构变化可能无法在重建图像中捕捉，加入更多的样本反而表现更差等等。

Feb, 2019

本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究，通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型，其结果表明，深度学习模型不仅对统计噪声有抗干扰能力，而且对对抗干扰也能够很好地处理。

Nov, 2020

通过研究模型在训练过程中的随机性，我们发现在自然语言理解任务中，模型的预测结果的不稳定性会对一部分查询产生影响，提出了一种衡量稳定性现象的方法 —— 标签熵，我们研究了数据不可知的正则化方法和新的数据中心方法，发现它已在计算成本的分数中取得了 90% 的性能优势以及金标准的表现。

May, 2023

本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。

May, 2023

本研究解决了深度神经网络输出不稳定的问题，通过提出一种稳定训练方法，使其能够应对常见图像处理带来的输入扭曲，并在大规模近似重复检测、类图像排序和嘈杂数据集分类等方面取得了鲁棒且最先进的性能。

Apr, 2016

本文介绍了基于循环一致性的深度神经网络不确定性量化方法，通过建立前向 - 后向循环并进行回归分析，获得神经网络预测的不确定性评估。此方法可广泛应用于解决反问题的各种神经网络中。

May, 2023

本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法，该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。

May, 2019

对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

Feb, 2021

本文介绍了一种组合 DNN、XGBoost 和差异性计算技术的集成方法，用于估计预测的不确定性、提高准确性并提供预期变化的区间，其计算简单，适用于小数据集且性能提升显著，且模型的预测区间可平均包括实际值的 71％和 78％。

Oct, 2022

利用不同方法高效估计深度神经网络的预测不确定性和敏感性，并将其互动比较和对比，以应对可靠的不确定性感知模型在深度图像合成任务中产生信息丰富且质量多样的插图，进一步提高深度可视化模型的稳健性和可解释性，使其在以视觉分析为基础的各个科学领域得以实际应用和方便使用。

May, 2024