通过将图像的组成元素进行组合，基于经验风险最小化 (Empirical Risk Minimization, ERM) 的训练方法在处理分布偏移时提高了模型的鲁棒性，解决了图像分类中的接近问题和图像成分之间的虚假相关性，提出了一种新的组平衡方法，无需组标签或虚假特征信息，并在相关偏移的情况下具有更好的最差组准确性。

Feb, 2024

本文提出了一种新的 RNN 解释方法 ——REAT，旨在提高其可解释能力并能够识别其决策过程中每个单词的加成贡献得分，继而得到基于短语级别的贡献评分，展示作为调试工具支持 RNN 的普适应用，它能展示所捕获的有用的语言知识。

Mar, 2019

该研究通过一个众包实验，探讨解释机器学习模型的预测对人类是否具有帮助，并发现在给定特征系数的情况下，人们能够更有效地对线性词袋模型进行操纵，但解释对 BERT 型分类器并没有显著提高操纵能力，而通过伪造 BERT 模型的线性模型的对全局归属的解释则可以有效地操作 BERT 型模型。

Dec, 2021

通过生成上下文无关文法来组织矩阵分解模型以进行模型选择，使用小型可重用算法估计预测似然和推断潜在组件，通过贪心搜索自动选择分解结构。

Oct, 2012

本研究提出了一种基于条件计算的灵活选择神经模块的训练算法，该算法能够提高深度学习中的模型容量而不需要过多的计算资源和训练时间，并且在图像识别和语言建模任务中实现了比现有方法更好的性能。

Nov, 2018

本文介绍了一种表达能力强且带有层次结构约束的 Deep Component Analysis 模型，并提出了基于递归交替方向神经网络（ADNNs）的可微优化算法实现。通过将前馈神经网络解释为模型中推理的单次迭代近似，不仅提供了一种新的理论视角，还提供了一种利用先验知识约束预测的实用技术。在实验中，我们证明了该模型在许多任务上的性能改进，包括单图像深度预测与稀疏输出约束。

Mar, 2018

介绍了一种名为匹配组件分析的新型 Procrustes 方法，可通过转移学习来分离数据中的组件；理论结果表明其采样复杂度，我们通过数值实验证明了我们的方法确实非常适合于转移学习。

Sep, 2019

通过将问题分解为子问题，强迫模型在不同的上下文中回答简单的子问题，可以显著提高模型生成推理的可靠性，并在一定程度上提升效能，从而有望验证 LLM 行为的正确性和安全性。

Jul, 2023

为了降低 Transformer 模型的计算成本，本文引入了自适应计算模块 (ACM)，它根据每个输入上的估计难度动态调整计算负载，通过用 ACM 替换层，显著降低了推理成本且不降低下游准确性。

Dec, 2023

该论文提出了一种基于统计逆问题的方法，使用 “可能性补偿（LC）” 计算每个输入变量的纠正值作为异常输出的责任得分，这是首个计算实值异常模型偏差责任得分的原则性框架，并在实际建筑能源预测任务中证实其实用性，得到了专家反馈的支持。

Aug, 2022