- 利用乘法权重扰动提高对损毁的强敏感性
深度神经网络在干净图像上表现出色，但在损坏图像上表现不佳。本文提出了一种改善深度神经网络对各种损坏的鲁棒性且不损害干净图像准确性的一种方法，该方法通过引入输入扰动，模拟在权重空间中的乘法扰动，并通过数据增强训练深度神经网络。实验证明该方法能 - 有效且稳健的对抗训练以应对数据和标签损坏
我們提出了一種有效且強健的對抗訓練 (ERAT) 框架，能夠同時處理兩類污染 (即數據和標籤)，而不需要事先了解其具體信息。我們通過混合對抗訓練和基於類平衡樣本選擇的半監督學習提高了模型對雙重污染的韌性。大量實驗證明了我們提出的 ERAT - 语言模型中的段落记忆定位
我们研究了语言模型中记忆和背诵整个段落时使用的权重和机制是否可以被定位，我们发现记忆分布在多个层和模型组件中，而记忆段落的渐变具有可辨别的空间模式，较低模型层的渐变比非记忆示例的渐变更大。此外，只需通过微调高渐变权重即可取消对记忆示例的学习 - 语音鲁棒性基准测评：一个语音识别鲁棒性评估基准
自动语音识别模型在物理世界和数字世界中的多样化损坏下进行可靠预测的鲁棒性评估是至关重要的。我们提出了一个全面的基准测试工具 Speech Robust Bench (SRB) 来评估 ASR 模型在各种损坏条件下的鲁棒性。通过使用 SRB - 稳健逆图形推理的概率推断
通过使用具有强大场景先验和无信息均匀损坏先验的贝叶斯方法（RIG），在给定单一图像的情况下，我们能够推断出含有各种污染物（如雨、雪或雾）的 3D 场景，并展示了 RIG 是如何超越点估计而优于深度估计器和其他性能的 NeRF 方法的。
- 文本 - 图像组合检索的鲁棒性评估
通过图文组合检索，通过由图像加上一些描述所构成的查询准确检索目标图像，在真实世界的损坏和进一步的文本理解下进行了坚固性研究，建立了三个用于系统分析的新的多样化基准，对视觉和文本的图文组合检索进行评估，包括自然失真的分析和文本理解的论证。
- CRIMED: 带有无界随机失效的赌博机遗憾的上下界
在多臂赌博机设置中，我们研究了最小化后悔问题，并引入了具有任意损坏的情况。我们对于某个给定的赌博机分布族，建立了与问题相关的后悔下界，并提出了 CRIMED 算法来实现该下界的精确后悔值，在已知方差的高斯分布赌博机环境下达到了渐近最优。此外 - 基于双层对抗框架增强红外小目标检测鲁棒性
在本文中，我们提出了一个双层对抗性框架，在存在不同类型干扰的情况下提升了检测的鲁棒性。我们首先提出了一个双层优化的公式来引入动态对抗性学习，同时提供了一种分层增强学习策略来发现最有害的干扰。此外，我们还提出了一种用于目标检测的空间频率交互网 - 组块化优先于不变性的组合鲁棒性
在视觉空间具有组合性的事实的基础上，通过提出模块化体系结构，使得在给定一些元语变之后，模型可以推广到这些元语变的组合中，以实现组合稳健性。
- 基于文本引导的鲁棒性基准测试
本研究探讨了图像分类器对以文字为导向的失真的鲁棒性，并利用扩散模型对图像进行不同域的编辑，研究结果表明： 在不同语言为基础的失真和编辑域中，图像分类器的性能显著下降，卷积模型比变压器架构更为鲁棒，同时，常见的数据扩充技术可以提高原始数据和编 - 基于 LiDAR 的语义分割模型鲁棒性基准测试
本文旨在全面分析 LiDAR 语义分割模型在各种损坏情况下的鲁棒性，并通过提出的新基准 SemanticKITTI-C 系统地研究了 11 种不同的 LiDAR 语义分割模型。根据对实验的观察和分析，我们发现输入的表示对模型的鲁棒性起着至关 - CVPR视觉破坏中的注意一致性对于单源域泛化的影响
通过使用图像数据的变形，以及同一样本不同视角间的一致性注意力以强化单一数据分布训练出来的视觉识别模型对不同数据分布（即域）的鲁棒性，并命名该模型为 ACVC。研究表明，ACVC 在 PACS、COCO 和 DomainNet 三个单源域泛化 - ICML基于破损数据的点云分类性能比较与分析
本文提出了一种基于点云的分类算法，通过对常见三维环境噪声进行分类以及分类器的性能评估，分析了点云分类器的健壮性和泛化性，提出了一些有效的技术来增强点云分类器的健壮性。
- MNIST-C: 用于计算机视觉鲁棒性基准测试
我们引入了 MNIST-C 数据集，这是一个综合 15 种损坏应用于 MNIST 测试集的数据集，用于评估计算机视觉中的模型的鲁棒性，我们的相关研究显示，我们的损坏显着降低了现代视觉模型的表现能力，而不影响测试图像的语义内容，和先前的对抗性 - 混合线性回归的迭代最小剪枝平方
本文研究了混合线性回归中带有干扰项的迭代最小残差平方法，提出了 ILTS 的全局算法并在等方差高斯特征下进行评估，结果表明在坏的训练数据设置下，循环拟合最佳样本子集可以确保达到最先进的性能。
- 高维稳健稀疏回归
提出了一种用于高维度稀疏回归中具有常量分数的自变量和 / 或响应变量的污染的算法，它是迄今为止的首个这样的算法，利用使用这种算法，我们提供了强健的稀疏回归方法和过滤算法。
- ICML高维度下的鲁棒性对实际应用有益
该论文介绍了一种通过使用分布模型以及多项式时间算法在高维数据中实现鲁棒性估计的方法，并且提出了优化方法，以使算法能够适应更多的数据异常值，实现更高效的鲁棒性估计。