提出了一种基于虚拟对抗损失的正则化方法 - 一种关于条件标签分布的局部平滑度的新度量。虚拟对抗损失被定义为每个数据点周围条件标签分布对本地扰动的鲁棒性。我们的方法定义了无需标签信息的对抗方向，因此适用于半监督学习。在多个基准数据集上，通过熵最小化原理实现的 VAT 在半监督学习任务上实现了 SVHN 和 CIFAR-10 的最新性能。

Apr, 2017

基于分布平滑的半监督深度学习方法和梯度升级生成虚拟对抗训练方法被提出用于降低数据标签的高成本，两种方法被成功整合实现了接近监督准确度。

Nov, 2017

通过利用损失函数的几何特性，尤其是最小值邻域的平坦特性，锐度感知最小化（SAM）提高了深度神经网络的泛化能力，而无需大规模增强数据。本文的创新方法通过方差抑制（VaSSO）稳定了对手，并证明了在模型无关任务中，包括图像分类和机器翻译中，VaSSO 相对于 SAM 的数值性能得到了提高。此外，实验证实 VaSSO 使 SAM 对高水平的标签噪声具有鲁棒性。

Sep, 2023

本文提出了一种称为 ALPS 的正则化方案，通过向每个真实输入样本添加扰动样本并给予对抗性标签来训练神经网络，以提高其泛化能力和对抗鲁棒性，实验表明 ALPS 具有先进的正则化性能和有效的对抗性训练。

May, 2021

本文提出了一系列基于渐近最小方差（AMV）标准的迭代式稀疏渐近最小方差（SAMV）方法，用于阵列处理应用中。通过假设在方向估计问题中有大量的快照，所提出的迭代 AMV 方法联合估计了信号功率和噪声方差，证明了它与最大似然（ML）估计器相一致。然后，我们提出了一系列基于功率的迭代 SAMV 方法，这些方法对于不足的快照、相干源和任意阵列几何形状具有鲁棒性。此外，为了克服方向格的限制，我们通过显式地最小化闭式随机 ML 代价函数中的一个标量参数，提出了 SAMV-Stochastic ML（SAMV-SML）方法，消除了任何额外的网格细化技术的需要。为了辅助性能评估，我们还提供了高信噪比（SNR）和低信噪比（SNR）下 SAMV 方法的近似解决方案。最后，生成了数值示例来比较所提出方法和现有方法的性能。

Feb, 2018

将随机赌徒模型扩展到对抗性破坏模型，并应用于随机线性优化问题，采用 L"owner-John 椭球进行探索，并将时间分割成指数递增的时代以限制破坏的影响，使得算法对于适应性对手所选择的破坏的数量不可知，其遗憾只会在破坏数量线性增加时增加。

Sep, 2019

本文提出了一种统一的贝叶斯推理框架，用于解决广义线性模型问题，并证明了该框架的有效性和等价性，同时也引出了基于标准线性模型的一些新算法扩展。该框架在一位信号采样处理中有着显著的表现，说明了该方法的优越性。

Dec, 2017

本文介绍了一种基于贝叶斯思想的算法框架，通过查询稀疏线性模型后验协方差来解决高阶贝叶斯决策问题，并且利用该算法框架成功地推动了磁共振成像的采样轨迹优化，为实际图像的压缩感知提供了新的启示。

Oct, 2008

本文首次给出了一个多项式时间算法，用于在示例和标签中对抗性堕落下执行线性或多项式回归，并基于 SoS 方法提出了一种自然的凸松弛方法来解决非凸优化问题。

Mar, 2018

本文提出了一种名为 LVAT 的新的规则化方法，将扰动注入潜在空间以生成理解性更强的对抗样本，并在图像分类任务的超视觉和半监督学习情景中使用 SVHN 和 CIFAR-10 数据集验证其性能，证明其优于其他现有方法及 VAT。

Nov, 2020