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

本研究探讨了机器学习模型的稳定性问题，提出了评估模型稳定性的方法，并发现网络架构和输入表示等模型设计选择对稳定性有重大影响，推荐在进行建模选择时考虑准确性和抖动之间的权衡。

Jan, 2022

采用 AI 进行医疗决策仍面临伦理和安全方面的问题。研究表明常用的深度学习方法对数据漂移过于自信，却未能在临床应用中可靠地识别异常样本，暴露了其可靠性不足的问题。存在着更加严格或内生于已知数据点的方法的需求，例如使用基于核的技术。

Jan, 2024

基于贝叶斯神经网络的深度学习模型用于预测由于数据噪音引起的不确定性。高度不确定的实例对模型性能有害。通过研究模型预测和不确定性的分布，可以识别一组病人以进行及时干预。

Jul, 2019

本研究关注于应用预测几何模型于机器学习中时所面临的稳定性和方差问题，并通过分析诸如单个数据点、逼近方法和参数设置等特征对基于 word2vec 的推荐系统几何模型进行调整和优化，以实现对大规模数据点的信息价值检测。

Jul, 2018

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

研究在医学上，使用其他深度神经网络模型方法来捕捉模型的不确定性，以确定模型决策是否在个体患者上具有一定程度的可靠性，同样通过贝叶斯嵌入，RNN 模型可以更有效地捕获模型的不确定性，研究分析模型不确定性受各种输入特征以及患者亚组的影响。

Jun, 2019

本文提出了一种基于深度神经网络的电子病历的快速筛查框架，该框架可用于识别易受攻击的医疗记录事件并防止其被改变。

Feb, 2018

本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

Nov, 2019

本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

Oct, 2017