提出了一种新的神经网络相似性计算方法，采用特征向量和梯度向量作为模型表示，结合快速绘图技术可以高效地比较不同数据集中神经网络的相似性。

Mar, 2020

通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015

通过在每个神经网络层中输入具有相对较低相关性的数据来增强其对输出的影响，本文提出了一种应对多模态数据挑战的有效方法，成功地将多样的数据源融入到学习过程中，通过使用原始图像和关节信息作为输入的简单拾放操作实验，即使处理来自短采样时期的数据也展示了显著的成功率提高。

Jan, 2024

连续学习中任务相似性对神经网络的影响和如何缓解其困难的研究。

May, 2024

本文提出了一种基于神经网络的不确定性量化方法，该方法考虑灵敏度意识以获取相似样本，通过预测绝对误差来找到不确定性，然后构建初始不确定性界限并进行边界校正，通过 UB 计算 NN 来减少计算和内存访问。

Apr, 2023

本文研究对比学习中的噪声问题，特别是 Siamese 神经网络的双重下降问题、匹配标签噪声和单标签噪声对网络泛化的影响，并发现密集数据集下的密度诱导相似性破裂现象。

Jan, 2022

我们提出了一种通过检测神经网络中的信息流来分析预测的框架，该框架使用两个指标选择神经元，这些神经元既对网络输出产生巨大影响又能激活通用特征并比较不同度量筛选的神经元集合，从而提出了一种调查卷积神经网络内部注意机制的方法。

Jul, 2017

利用深度神经网络记忆清晰样本更早的现象，发展一种统计学方法，根据集成学习动态数据中干净和嘈杂数据的差异，改善了噪声标记估计，噪声过滤和指导分类的方法。

Oct, 2022

通过基于分数的逆扩散算法生成的高质量样本提供了证据，表明尽管遭受维度灾难的困扰，用于降噪训练的深度神经网络（DNN）可以学习高维密度。然而，关于训练集记忆化的最近报导引发了一个问题，即这些网络是否正在学习数据的 “真实” 连续密度。在本文中，我们展示了在非重叠的数据集子集上训练的两个降噪 DNN 学习到几乎相同的评分函数，从而学习到相同的密度，并且只需要非常少的训练图像。这种强大的泛化表明 DNN 架构和 / 或训练算法中的强大归纳偏差与数据分布的特性相一致。我们通过对这些内容进行分析来证明这一点，证明了去噪器在适应底层图像的基础上执行了一个收缩操作。对这些基础的检查揭示了轮廓线和均匀图像区域中的振荡谐波结构。我们通过证明即使在训练于低维流形等图像类别的情况下，这些经过训练的去噪器也会生成这种几何自适应谐波表示来表明它们在归纳偏差方面具有偏好。此外，我们还展示了当在已知最优基础为几何自适应谐波的常规图像类别上进行训练时，网络的去噪性能接近最优。

Oct, 2023

研究提出了一种针对神经网络的信息定义，可以测量样本对模型训练的影响程度和其计算函数的影响程度，利用线性网络提供了这些量的高效近似值并应用于数据集的总结、不足采样类别的分析、不同数据源信息量的比较和识别对抗样本等多个问题。

Jan, 2021