这篇论文介绍了一种增强的方法来确定机器学习模型的数据领域和特定属性，并使用图像嵌入模型作为编码器和生成模型作为解码器。该方法通过迭代改进描述并生成更具体的图像，以识别模型输入领域的特定属性，为深度学习模型的详细法医分析铺平了道路。

Feb, 2024

本文主要研究基于深度神经网络的方法在训练数据与测试数据分布不一致时的性能问题，并通过学习训练样本的权重以消除特征之间的依赖关系，从而提高深度模型的性能。通过在多个分布泛化基准测试上的实验，与同类研究相比，我们的方法取得了很好的效果。

Apr, 2021

本文提出了一种称为 CG-MI 的置信度引导模型反演攻击方法，利用预训练的可公开获取的生成对抗网络（GAN）的潜在空间作为先验信息和无梯度优化器，在不同数据分布的黑盒设置中实现了高分辨率的模型反演攻击。实验证明，我们的方法在 Celeba 和 Facescrub 的不同分布设置中，比 SOTA 黑盒 MIA 的攻击效果提高了超过 49％和 58％。此外，我们的方法能够生成与白盒攻击产生的质量相当的高质量图像。我们的方法为黑盒模型反演攻击提供了实用而有效的解决方案。

Feb, 2024

本文介绍了如何使用可解释性模型进行 AI 模型的迁移学习，通过将深度神经网络分解成可解释的浅层模型，然后使用人类可解释概念构建了一组混合模型以实现针对未知领域的高效微调，最终使用半监督学习中的伪标签技术来在目标领域学习概念分类器并进行微调。在大规模胸部 X 射线分类数据集上评估了模型。

May, 2023

本研究探讨了基于域一般化的经验和认证鲁棒性之间的相互影响，并发现两种鲁棒性均适用于未知的数据域。同时我们也证明，在医学应用中，对抗性增强显著提高了鲁棒性的泛化能力，对数据准确性影响不大。

Sep, 2022

本论文提出了一种基于多实例学习和切平面算法的图像数据集构建框架，可以有效应对数据集偏见问题，提高数据集的领域适应性，并通过广泛实验验证了该方法的有效性。

Nov, 2016

本篇论文提出了一种基于模型的域泛化方法，通过对数据生成过程和同变性条件的建模，将域泛化问题转化为一个无限维的有约束统计学习问题，并利用非凸对偶理论发展了有约束松弛的统计问题，提出了具有收敛保证的域泛化算法，并在 ColoredMNIST，Camelyon17-WILDS，FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。

Feb, 2021

本文旨在解决神经网络在输入超出数据集分布的情况下的行为问题，作者提出了使用多个来自不同语料库或架构的语义密集表示作为目标标签的方案，并在计算机视觉和语音命令检测任务中评估了该模型并与之前的方法进行了比较，结果表明本文方法比以往方法表现更好，并且还展示了本方案检测错误分类和对抗性示例的效率。

Aug, 2018

通过在多个数据集的脸部图像中同时训练，我们研究了异常数据量模型的性能，观察到 Outlier Exposure 方法可以提高模型的准确性和其他度量指标，并通过引入可训练的权重参数以及重新加权不同类别标签的重要性来增强模型的表现。同时，我们还进行了实验，比较了通过图像特征和平均像素值对图像进行排序以及检测异常值的效果，并测试了数据集的逆序是否对模型的准确性产生影响，以期使模型不仅更准确，而且更公平。

Apr, 2024

本研究提出了一种基于 Hellinger 距离的证明技术，可以用于证明黑盒模型和有界损失函数的分布健壮性和域外泛化。实验证明这种技术在大型神经网络和不同类型的损失函数下具有良好的可扩展性和灵活性。

Feb, 2022