- 测试二元分类问题的性能得分的一致性
在本文中，我们引入了一种数值技术来评估报告的性能分数和假设的实验设置的一致性，通过三个与医学相关的应用程序，我们展示了这种方法如何有效地检测不一致性，从而保护研究领域的完整性。
- 使用因果建模检测和减轻二元分类中的算法偏见
利用因果建模来检测和减轻算法偏差，本文针对性别偏见和二分类问题，使用成年人数据集通过建立预测模型和因果模型，证明了预测模型中的性别偏见在 0.05 水平上显著，并通过交叉验证展示了因果模型减轻性别偏见的效果并略微提高了整体分类准确度，该方法 - 相对内在维度与学习的内在性
高维数据具有令人惊讶的特性：仅使用简单的线性分类器就可以高概率地将数据点配对分开，甚至从任意子集中分离出来。我们引入了数据分布的内在维度的新概念，精确地捕捉了数据的可分离性质。对于这个内在维度，以上的经验法则成为一条规律：高内在维度保证了数 - 基于精细特征的面部伪造深伪视频检测
本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法，将人脸伪造检测问题归纳为细粒度分类问题，并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。
- 后期偏倚评分在公平分类中的最优选择
在群体公平约束下考虑了二元分类问题，通过引入一种新的偏见量度，称为偏见分数，提出了贝叶斯最优分类器的显式特征，并基于该特征开发了一种满足公平约束且保持高准确率的事后方法。该方法在 Adult、COMPAS 和 CelebA 数据集上与内处理 - 整合视听特征用于多模态深度伪造检测
深度伪造是通过人工智能生成的媒体，其中图像或视频经过数字修改。本研究提出了一种基于音视频的深度伪造检测方法，将细粒度的深度伪造识别与二元分类结合，增强了在域内和跨域测试下的检测能力。
- 神经网络分类器的过度风险收敛速率
神经网络在模式识别和分类问题中的成功表明其具备与支持向量机（SVMs）或提升分类器等其他传统分类器不同的特性。本文研究了基于神经网络的插件分类器在二元分类设置中的性能，以其超出风险的度量为基准。相较于文献中的典型设置，我们考虑了更一般的实践 - 基于多模态融合变换器的瓷砖分类视口预测
提出了一种基于瓷砖分类的视口预测方法，使用多模态融合变压器提取每种模态的长距离依赖关系，从而捕捉用户历史输入和视频内容对未来视口选择的综合影响，并根据瓷砖的二分类结果选择未来视口，具有更好的鲁棒性和解释性。在两个常用的 PVS-HM 和 X - 时间序列预测：利用分数阶差分数据释放长期依赖性
本研究介绍了一种新的预测策略，利用分数差分（FD）的力量捕捉时间序列数据中的短期和长期依赖关系。通过将 FD 应用于 SPY 指数的金融数据，并结合来自新闻报道的情绪分析，本实证分析探讨了 FD 与目标变量的二分类的有效性。使用监督分类算法 - BNS-Net：一种同时考虑行为级和句子级冲突的双通道讽刺检测方法
在这篇文章中，我们提出了一种名为 BNS-Net 的双通道讽刺检测模型，该模型通过考虑行为和句子冲突来有效地识别文本中的讽刺，进而取得了最先进的性能。
- ICCV副本：学习消除相似结构图像的歧义
通过学习为基础的方法，我们提出了一种视觉清晰化方法来区分具有相似结构的图像对，从而达到准确的三维重建。
- 利用伪布尔多项式方法进行边缘检测和图像分割
通过在图像块上构建伪布尔多项式，我们介绍了一种确定性的边缘检测和图像分割方法，该方法基于计算提取图像块上的伪布尔多项式的度数，对图像中的斑点和边缘区域进行二分类。我们在包含基本形状的简单图像上测试了该方法的可行性，并将其应用于复杂的景观图像 - WEARS：利用实时传感器数据的可穿戴情感人工智能
使用智能手表传感器预测用户情绪，通过使用英文和区域语言视频收集数据，将问题建模为二元分类，并使用多个机器学习模型进行试验，发现多层感知器对愉快 - 不愉快情绪的分类具有最高准确率达到 93.75%。
- OCTAL：用于 LTL 模型检查的图表示学习
我们提出了一种基于图表示学习的模型检测框架，通过学习系统和规范的图结构表示，将模型检测问题转化为二分类问题，实验证明该方法在两种模型检测场景下取得了令人满意的准确性和速度提升。
- 高性能计算应用于逻辑回归：CPU 与 GPU 实现比较
我们提供了一个通用的基于 GPU 的并行逻辑回归版本，旨在应对大数据集中对更快算法的需求。通过我们的 GPU 实现，我们加速了处理大型数据集的速度，同时保持了可比较的 f1 分数，这使得我们的方法在实时预测应用领域如图像识别、垃圾邮件检测和 - RFDforFin：对 GAN 生成的指纹图像的鲁棒深度伪造检测
我们提出了首个用于指纹图像的深度伪造检测方法，结合了指纹的唯一脊线特征和 GAN 生成图像的生成痕迹特征，通过二分类（真实或伪造）将二者结合起来，实验结果表明这种方法具有低复杂度和较好的有效性。
- DeDoDe: 本地特征匹配中的检测，不是描述 - 描述，不是检测
基于 3D 连续性，我们通过从大规模 SfM 中训练探测器来直接学习关键点，并且通过分离的网络最大化互相最近邻目标来训练描述符。结果表明，我们的方法 DeDoDe 在多个几何基准测试中取得了显著的增益。
- 利用深层 ReLU 网络对高斯混合模型生成的数据进行分类
该研究使用深度 ReLU 神经网络对由 Gaussian Mixture Models (GMMs) 在 $R^d$ 下生成的无界数据进行二元分类，并首次获得了无需限制模型参数的分类的非渐进上界和收敛速度的超额风险 (超额误分类误差)。所得 - 无偏决策减少遗憾：面向银行贷款问题的对抗领域适应
通过对抗性领域适应性解决训练数据偏差问题，adversarial optimism（AdOpt）显著超过了现有性能，并初步证明对抗性领域适应性的引入改善了这个情景中的公平性。
- ICCV多标签知识蒸馏
提出一种新颖的多标签知识蒸馏方法，通过将多标签学习问题分解为一组二元分类问题，并利用标签间嵌入的结构信息来增强学习特征表示的独特性，避免标签间的知识对抗，从而在多个基准数据集上实现了优越的性能。