本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

May, 2019

本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题，通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络，我们的实验结果显示，我们的方法相较于现有技术提供了显著的质量提高。

Jul, 2017

使用对抗生成网络（GANs）代替稀疏约束来构建结构，针对重建任务进行任务感知型训练，并证明可以不使用（或少量使用）非压缩数据训练模型，最后展示 GAN 的潜空间携带有判别信息，并可进一步规范化以生成用于一般推断任务的输入特征，通过对多种重构和分类问题的实验验证方法的有效性。

Feb, 2018

本文提出了一种新的算法框架，predictor-verifier training，用于训练可验证的神经网络，同时训练两个网络：一个预测网络和一个验证网络以达到最大化输出准确性并满足输入输出特定属性的目标。实验表明，predictor-verifier 架构能够训练出鲁棒性强的神经网络并且训练时间显著减短，在像 MNIST 和 SVHN 这样的小数据集上优于以前的算法，同时能够扩展到 CIFAR-10 并产生首个已知的可验证鲁棒网络。

May, 2018

提出了一种生成可验证的神经网络（VNNs）的新框架，该框架通过后训练优化在保留预测性能和鲁棒性之间取得平衡，使得生成的网络在预测性能方面与原始网络相当，并且可以进行验证，以更加高效地建立 VNNs 的强大性。

Dec, 2023

我们介绍了两种算法，用于计算贝叶斯神经网络（BNNs）的概率鲁棒性的严格保证。

Jan, 2024

提出了一种新颖的自我监督可扩展深度压缩感知方法，称为 SCL 和 SCNet，它不需要 GT，可以处理任意的采样比率和矩阵。实验证明该方法在 1D/2D/3D 信号上取得了显著的效果和优越性能，具有灵活性和泛化能力，可以与最先进的有监督方法竞争。

Aug, 2023

本文研究了压缩感知问题，提出了一种基于二阶锥的优化方法，该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下，求解具有优良效果的稀疏向量，该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差

Jun, 2023

使用神经表示作为规范的新系列，依赖于神经网络的固有信息 - 神经激活模式（NAP），而不是输入数据来指定神经网络预测的正确性和 / 或鲁棒性。

Oct, 2022

本文通过随机线性测量得到的 O (s log^2 (n/s)) 个标志位，利用线性规划，从稀疏向量中精确恢复出 s-sparse 向量 x，进而将结果推广到了近似稀疏的向量 x。文章以解决随机超平面填充的等效几何问题为基础，并且该方法几乎是最优解。

Sep, 2011