神经网络在存在偏执特征时，能够学习到核心特征，即使简单虚假特征扭曲了预测结果；研究通过不平衡标签耦合的方法，调查了简单和复杂特征在预测中的不同水平，以及复杂特征在预测中的贡献。

Nov, 2023

我们提出了一种理论上合理的机制，通过神经网络处理缺失数据，即在第一隐藏层中将典型神经元的响应替换为它的期望值，从而实现各种类型的网络上的处理，不需要完整的数据进行训练，并且在各种不完整数据处理方法中表现出更好的结果。

May, 2018

ClusterFlow 可以在卷积神经网络上运行，利用训练数据的多维分类和特征数据来构建类 / 特征的高超图，并通过三个任务展示 ClusterFlow 如何使现代深度卷积神经网络更具人类感性功能，以及 ClusterFlow 如何适用于非卷积数据并处理缺失数据。

Apr, 2023

This paper proposes a method to improve the robustness of deep learning models in the presence of noisy labels by utilizing unsupervised learning and cluster regularization.

Jul, 2023

该研究解决了在有不完整的特征数据集的情况下训练分类器的问题，开发了一种新的有监督学习方法，在假设数据矢量在未知字典上是稀疏表示的条件下，使用每个样本的特征子集来训练一个通用分类器，并且通过提出的充分条件，该方法在人工和公开数据集上验证其理论的有效性。

Nov, 2020

本文介绍了一种基于神经网络的端到端聚类框架，该框架可从原始数据中推动形成聚类，且无需提前定义聚类中心，具有较好的性能且对聚类数量不敏感。

Nov, 2015

提出一种隐私保护的分层模糊神经网络模型，采用两阶段优化算法，低层参数由基于交替方向乘子法的方案学习，高层协调由交替优化法处理，通过全面模拟表明该模型在回归和分类任务上均具有很好的效果

Sep, 2022

本文提出了一个新的算法 MISNN，用于处理高维缺失数据的多重插补问题，该算法借助于神经网络的逼近能力，将特征选择嵌入 MI 模型中，经过实验证明在插补准确度、统计一致性和计算速度等方面优于现有的 Bayesian Lasso 和矩阵补全等最新算法。

May, 2023

本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

Apr, 2022

本文提出利用神经网络的方式，同时检测软件缺陷汇报是否为重复报告，并将它们聚合成潜在的主题，并证明该模型可以取得比现有方法更好的效果，并且还可以在无监督的情况下学习到有意义的潜在聚类。

Mar, 2019