在这篇研究中，我们提出了一种名为 Stylist 的新方法，通过去除环境偏差特征来改进新颖性检测算法，从而检测与任务相关的语义变化并对抗风格分布的变化。我们证明了这种特征选择机制在包含风格和内容变化的多个数据集上改进了新颖性检测算法。

Oct, 2023

深度神经网络在依赖虚假相关性时往往会出现灾难性的失败。我们提出了一种称为上下文可靠性的新模式，该模式考虑了在不同情境下使用的 “正确” 特征可能不同的情况。我们提出并分析了一个两阶段的框架，名为明确的非虚假特征预测（ENP），它首先确定给定情境中要使用的相关特征，然后训练模型仅依赖于这些特征。我们的工作在理论和实证上证明了 ENP 相对于现有方法的优势，并为上下文可靠性提供了新的基准。

Jul, 2023

通过对话者识别中未使用的 ' 视频 ' 信息进行环境对抗学习框架，我们成功实现了能够在训练期间有效学习讲话者判别性和环境不变嵌入的网络，该方法在 VoxCeleb 数据集上得到验证，证明基准测试中的性能显著提高。

Oct, 2019

本文旨在通过重新划分环境和特征替换的实验，探讨 Vision-and-Language Navigation 模型中的环境偏差问题。我们发现，ResNet 特征所传递的底层视觉外观直接影响了代理模型，进而导致环境偏差问题。根据这一发现，我们探索了几种包含较少底层视觉信息的语义表示形式，从而使使用这些特征的代理能够更好地推广到未见过的测试环境中。我们的探索性语义特征无需修改基线代理模型及其训练方式，在多个数据集上显著降低了已看和未见之间的性能差距，并取得了与先前的最先进模型具有竞争力的未见结果。

May, 2020

本文通过分析一系列偏置特征并证明没有单一的模型适用于所有情况来改善模型的鲁棒性，进一步表明通过选择合适的偏置模型，我们可以获得比更复杂的模型设计基准更好的鲁棒性结果。

Oct, 2022

本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

Jun, 2020

本研究提出了一种接受直观且有背景的搜索查询的移动特性检索系统，通过对预训练语言模型进行对比学习，训练相关模型以感知查询嵌入和索引移动特性之间的上下文相关性，并通过知识蒸馏压缩模型以在设备上高效运行。通过与当前部署的搜索基准进行比较实验证实了我们方法的可行性，结果显示我们的系统在上下文句子查询和基于关键词的查询上均优于其他系统。

Jul, 2023

本文针对深度神经网络在检测新颖性或异常性时容易受到输入数据微小变形的问题，提出了一个旨在学习强大的新颖性检测正确性的先验；同时，将该先验与最先进的新颖性检测方法相结合，并评估了该方法在攻击存在与否的情况下的性能表现，得到了较好的结果。

Jun, 2023

本文提出了一种新的评估方法，使用合成数据集评估特征重要性得分，并构建了一个名为 fseval 的 Python 基准测试框架，该框架允许在 HPC 系统上并行和分布式地执行实验。通过与在线平台 Weights and Biases 集成，可以在实时仪表板上交互地探索图表。研究结论通过探索一种大规模实验来找出参与算法的优点和缺点。

Jul, 2022

通过评估使用权重调整、强正则化和组鲁棒性训练等方法训练的模型，重训练模型的方法在多个视觉和 NLP 问题中表现出与其他方法相似的结果，表明无需过度正则化即可学习高质量的特征表示。

Oct, 2022