通过闭环控制实现稳健神经网络
通过将人工神经网络用于构建通用非线性控制策略并结合凸优化投影层，本论文提出了一种能在保持鲁棒性的同时提高控制系统的平均性能的技术，同时在非鲁棒的深度强化学习（deep RL）方法的最坏情况稳定性方面也有所提高。
Nov, 2020
不需了解动力学的情况下控制动态系统是一项重要且具有挑战性的任务。我们提出了一种控制理论方法，通过加入可控性约束来增强数据估计的模型，从而实现从数据中提取更有效的控制器。该方法展示了基于深度神经网络的模型估计与解决方案性质的控制理论保证之间的联系，并在两个标准经典控制系统中证明了其优势。
Nov, 2023
该论文提出了一种基于控制理论的新型强化方法，它使用反馈控制构建了一种神经网络架构，通过训练来稳定系统输出，从而增强对抗攻击的防御能力。通过实验结果表明，该方法相比于现有技术在标准测试问题上具有更高的有效性。
Aug, 2023
通过生成一个确保更稳健的神经网络的近似方法，来解决神经网络的准确性和稳健性之间的权衡关系。该方法是完全凸的，并将其作为半正定规划提出。将其应用于稳健化模型预测控制以验证结果，旨在介绍一种在神经网络准确性和稳健性之间权衡的方法。
May, 2024
本论文提出了一种基于因果关系视角的神经网络输入鲁棒性分析方法，提出了深度因果操纵增强模型（CAMA），解决了单因素影响的问题，并采用了数据增强和测试时间微调方法以提升模型鲁棒性。相较于基于判别模型的深度学习神经网络，该模型表现出了更好的抵抗未知操纵攻击的能力，并成功实现了操纵信息与其他潜在因素的解耦合表示。
May, 2020
本文针对神经网络的稳健性和稳定性问题，提出了一种通用的训练方法，旨在使现有的神经网络架构更能够适应输入的视觉扰动，该方法无需进行数据扩充或更改网络架构。通过现有的神经网络架构实验，理论证据和实证结果证明，当使用该方法进行训练时，模型性能会显著提高，尤其是在噪声数据存在的情况下。
Nov, 2018
利用控制论技术，通过在线适应法更新深度神经网络参数，控制域偏移以及解决稳定性和迁移学习问题，提高深度神经网络基于学习的系统的性能和保证。
Feb, 2024
通过将非线性系统的内部模型控制原理与最先进的无约束优化方法相结合，我们解决了数据驱动和深度学习方法提高性能的问题，同时保证闭环稳定性。我们的方法可以学习稳定非线性系统上任意深的神经网络控制器，即使优化过早停止，即使未知基准动态，也能保证 Lp 闭环稳定性。我们通过多个数值实验讨论了所提出控制方案的实施细节，包括分布式方案和对应的优化过程，并展示了通过自由塑造代价函数的潜力。
May, 2024
通过应用深度学习方法，本研究论文考虑在干扰和测量噪声的存在下增强神经网络控制的非线性系统的运行时安全性。设计了一个稳健稳定的区间观测器，用于为神经网络、非线性函数和系统状态生成确切的下界和上界。所获得的区间用于实时监控系统安全性并检测系统输出或执行器中的故障。通过模拟自适应巡航控制车辆系统，演示了提出设计的有效性。
Mar, 2024