深度神经网络的类干扰
本篇论文提出了使用图距离和交叉熵损失的两种简单方法来解决深度神经网络中错误严重性的问题，并在两个大型具有复杂类层次结构的数据集（tieredImageNet 和 iNaturalist'19）上优于先前的方法。
Dec, 2019
研究了时间差分学习中概括和干扰之间的联系，发现时间差分学习容易导致低干扰，欠缺概括性的参数，而这一效应在监督学习中则相反。此现象可以追溯到干扰和自举之间的相互作用，并在实验证实，希望这些新的发现可以指导未来方向的自举方法的发现。
Mar, 2020
连续学习中的灾难性干扰和远程干扰分析，提出一种能近似任何连续函数、具有多项式计算复杂度、并且对远程干扰提供保证的新型人工神经网络结构 ABAL-Spline。通过实验证明 ABAL-Spline 在理论上具有的性质，并在基准回归问题上进行评估，得出使用多项式复杂度模型进行连续学习需要对训练数据或算法进行增强的推测。
Feb, 2024
研究了干扰源识别问题，应用深度学习算法识别 Bluetooth，Zigbee 和 WiFi 三种无线技术的 15 个信道，通过优化 CNN 网络的训练，可在保证分类准确率的前提下将训练时间缩短至原先的大约 1/30。
May, 2019
该论文提出了引入多样性块和梯度提升损失函数两个关键创新点的细粒度识别方法，来解决先前方法在查找亚类别差异性和识别混淆类别上的局限性。在五个挑战性数据集上的全面实验表明，该方法在所有五个数据集上都比使用类似实验方案的现有方法表现更优。
Dec, 2019
本研究研究了深度神经网络在计算机视觉领域上的发展，并提出了 “欺骗图像” 的概念，在模型认为是熟悉对象的情况下生成了一系列对人类难以识别的图像，揭示了计算机视觉与人类视觉之间的有趣差异。
Dec, 2014
本文介绍了一种基于 COOL 神经网络的新型分类模型，通过假设训练集中的概念只是假设的最终概念集合的一部分，来解决传统分类模型的局限性，并在愚弄问题、可分离概念学习、单类神经网络和标准分类基准测试中进行了实验，结果表明与传统分类器相比，COOL 网络的泛化量可以根据问题进行调整。
Sep, 2016
本文通过训练具有反映人类知觉不确定性的完整标签分布来解决深度神经网络在泛化和鲁棒性方面存在的问题，并呈现了一个新的基准数据集 CIFAR10H。实验结果表明，基于该数据集的显式训练可以实现深度学习分类器具有人类的不确定性，并提高模型泛化性和抵御对抗攻击能力。
Aug, 2019
本文提出了一个新的学习策略，来有效地解决在使用类不平衡数据时神经网络容易出现欠拟合和过拟合问题的困扰，该策略在小批量中混合了主类数据和其它数据的特征，旨在削弱主类数据的特征以防止神经网络优先拟合主类数据的情况，从而实现了类之间的训练过程平衡，并得到了在难度较大的数据集中的最新成果。
Apr, 2021