本文提出一种新的局部对抗性攻击方法用来生成对抗性样本，进而通过在训练集中包含局部对抗性图像来提高分类器鲁棒性和对抗样本的识别率。在 MNIST 和 CIFAR-10 数据集上的评估结果表明，该训练算法可以降低自然图像的准确度损失，并提高抵抗对抗性输入的容忍度。

Sep, 2019

使用新型的激光雷达 SLAM 技术和结构运动优化方法在大型商场和地铁站获取室内数据集以便于在室内环境中进行视觉定位，并测试现代化的视觉定位算法，证明结构基方法使用健壮的图像特征具有更高的性能。

May, 2021

FeMLoc 是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴无线通信技术推动的大规模连接的可扩展性，还具备隐私保护的元学习特征。

May, 2024

本文提出了一种名为 ACoL 的方法，可以利用弱监督自动定位语义感兴趣的物体，并且能够在端到端的方式下进行训练，并在 ILSVRC 数据集上达到了 45.14％的最佳定位误差率。

Apr, 2018

作者提出了一种多功能跨学科框架，用于基于概率推理的数学方法对个体用户进行建模，机器学习对用户特定的用户交互进行建模，以及引入了渐进提升和 AdaBoost 算法等多个算法以实现室内定位。该框架引入了两种新功能，可为室内定位提供语义上下文，并在收集了 254 个室内区域的五层楼内的 18 个不同用户的大量数据集的基础上进行了测试。实验结果表明该模型的室内定位始终比传统模型更准确。

Jul, 2022

本文提出了一种简单而有效的基于物体的室内重定位方法，称为 AirLoc。通过提取物体外观嵌入和物体间的几何关系来解决物体重新识别和记忆物体关系的关键挑战，并将几何和外观特征相结合生成累积场景特征，从而实现了强大、准确、便携的室内重定位系统，并在室内重定位的 PR-AUC 和准确性方面优于现有方法 9.5% 和 7%。

Apr, 2023

本文提出了一种名为 GloCAL 的算法，通过对多个离散任务进行聚类，创建课程学习，可以有效且安全地在机器人领域应用深度强化学习，并且利用所提出的算法，在 49 个对象的抓取学习中可以得到比其他方法更好的效果。

Apr, 2022

本文介绍了一种算法，用于分析操作 3D 数据的神经网络的点对点健壮性，并展示了当前方法过度估计模型的韧性，进而评估了一系列最先进模型的韧性，指出它们对于遮挡攻击的脆弱性，并最终发现这些网络在最坏情况下，可以在占据输入空间不超过 6.5％的遮挡下降至 0％的分类准确率。

Apr, 2019

在室内机器人导航中，我们通过分割模型在 RGB 图像中识别自由空间来提高导航精度。然而，深度学习模型容易受到对抗性攻击的影响，给其真实世界的应用带来了巨大挑战。本研究中，我们在神经网络的隐藏层中发现了漏洞，并引入了一种实用的方法来加强传统的对抗训练。我们的方法采用了一种新的距离损失函数，缩小了干净图像和对抗图像之间的隐藏层差距。实验证明该方法显著提高了模型对对抗扰动的鲁棒性。

Feb, 2024

该论文介绍了分散式机器学习的新算法 COLA，该算法具有强大的理论保证和优越的实用性能，克服了现有方法的许多限制，并在数据和参与设备发生变化时实现通信效率、可扩展性、弹性和韧性。

Aug, 2018