本文提出 Introspective Self-play (ISP) 方法，通过增加辅助内省任务，使模型能够预测每个数据点的偏倚，从而改善深度神经网络的不确定性估计，提高不平衡分布数据集下的准确性和公平性。实验结果表明，该方法可以有效地改善不平衡数据集下的不确定性估计并显著提高尾部群体的采样率和最终准确性公平性权衡。

Feb, 2023

本文提出了一种建议将干净示例和其表面扰动的对应物不仅映射到相同类别，而且映射到相同表示的不变表示学习（IRL）方法，该方法通过数据扩充有效地减少字符错误率，特别是在不同于训练期间所见的若干场景上。

Jul, 2018

对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

Feb, 2021

通过使用条件超参数网络，本研究提出在多个高斯噪声水平下实现高清图像重建的方法，同时达到最高的准确性和图像质量。

Feb, 2024

通过利用预训练的卷积神经网络，结合深度学习和迁移学习的方法，本文提出了一种新的方法用于通过 MRI 数据进行脑肿瘤的分类，实现了 96% 的准确率。

Aug, 2023

基于影响函数的健康影响噪声训练 (HINT) 是一种高效而强大的方法，用于防御数据中毒攻击，通过使用影响函数构造有助于加固分类模型的健康噪声，显著减少对测试数据的泛化能力影响，该方法在部分训练数据修改时也能有效执行，经过综合评估，HINT 能高效防护深度学习模型，抵御无目标和有目标的攻击。

Sep, 2023

利用 ISNet 架构及 Layer-wise Relevance Propagation (LRP) 热图优化，我们提出重新构建的架构，通过最小化背景相关性，防止深度分类器决策中的背景特征影响，从而减少捷径学习并提高泛化能力。在 MNIST 数据集和 COVID-19 胸部 X 射线检测中，我们的模型在最小化背景影响和阻止捷径学习的同时，保持了高准确性，相较于其他深度神经网络架构更具准确性，这表明这些架构在训练速度上是对 ISNet 的巨大改进。

Jan, 2024

通过在学习过程中采用来自预测和监督信号的均值作为监督信号的替代，我们提出了一种用于正则化隐式神经表示模型（INR）在图像去噪中的通用方法，从理论上证明这样的简单迭代替代可以逐渐增强监督信号的信噪比，从而有利于 INR 模型的学习过程，实验证明采用提出的方法可以有效地正则化 INR 模型，缓解过拟合，并提高图像去噪性能。

Jan, 2024

本文提出了一种标签噪声鲁棒的遥感图像学习方法，使用监督式变分自编码器结合深度神经网络，通过图像特征定义训练样本的重要性来防止嘈杂标签对遥感图像表示学习 (IRL) 的干扰。

Jun, 2023

本文探讨使用先验知识在分离图像的内在成分中的反射率和阴影层时的高性能方法，并提出了一种基于 CNN 学习和使用先验知识的损失函数，后者可以实现强反射不变性的联合双边滤波方法，达到在我们提供的对多个算法进行内在成分分解的标准基准测试上的最佳性能。

Dec, 2016