探讨了在开放领域生成式对话模型中缓解无意识偏见、有害行为的问题，提出了新的人与模型交互框架及新方法，而不使用外部分类器，在保证模型可用性的同时更安全，实现了自动和人为评估。

Oct, 2020

研究表明，大多数基于数据驱动的机器人任务都是在实验室环境中收集的大规模数据集上进行训练的，该论文提出了在人们的家庭环境中使用低成本机器人手动搬运收集数据的方法，并开发了一种框架来处理数据中的噪音标签。该模型在采集了 28,000 次抓取数据并针对不同环境条件进行物理性能测试后，相较于实验室收集的数据，展现了明显的 43.7% 的改善，该模型还比其他模型表现 10% 更好。

Jul, 2018

工业机器人中的异常检测及其在机器人应用中的数据集和基准方法介绍和评估。

Nov, 2023

本研究介绍了一种计算架构，结合了感知学习算法、记忆编码和学习的认知模型、预测缺失物品的推理模块和图形用户界面，并与 Fetch 移动机器人集成验证，以通过与用户的互动学习个性化上下文知识及长期预测家庭中缺失的物品。实验结果表明，机器人可以通过与用户的互动适应环境，还可以使用所学的知识在数周内正确预测缺失物品，并且对感官和感知错误具有强健性。

Jul, 2022

本文旨在评估基于机器学习方法的异常检测算法对于两种意外和恶意干扰的鲁棒性，在结合领域知识的前提下实验结果表明，基于领域知识训练的机器学习算法能够有效地降低鲁棒性误差并提高透明度。

Apr, 2022

借助互联网物联网技术，智能家居为人们带来了很大的便利，但也因用户的不当操作和恶意攻击等异常行为而存在安全隐患。本文就智能家居用户行为的异常检测提出了 SmartGuard 方法，它通过自编码器结合动态掩码策略、时间感知的位置嵌入和噪声感知的重构损失等技术，在三个数据集上的综合实验中表现出色，并提供了高度可解释的结果。

Jun, 2024

通过验证训练数据集的领域完整性和图像质量鲁棒性，提高安全关键领域中机器学习模型的可信度和鲁棒性，并通过紧急道路车辆领域的本体构建实验进行了概念性证明。

Jun, 2024

本研究提供了一个合成的多模态数据集，通过融合来自 3D 虚拟空间模拟器的视频数据与描绘活动时空上下文的知识图谱，该数据集旨在用于社会问题的知识图谱推理挑战（KGRC4SI），重点是识别和解决家庭环境中的危险情况，该数据集对于研究人员和从业者开发创新解决方案，以识别人类行为以提升安全和福祉而言，可作为宝贵的资源对公众开放。

Jan, 2024

本研究采用 ConvLSTM-I3D 模型结合迁移学习和视频增广技术，针对 Smart Baby Care 动作识别任务，提出了一种新型轻量级框架。与其他基准模型相比，在更小的数据集和较少的计算资源下，实验框架取得了更好的性能。

Oct, 2022

本文介绍了一种大型的，全面的，逼真的高质量安全服装和头盔数据集，并将其应用于深度学习方法中，其结果表明我们的数据集更加完整，性能更好，以提高工人的安全。

Jun, 2023