- HAITCH: 胎儿多壳扩散加权 MRI 的形变和运动校正框架
HAITCH 是第一个也是唯一一个公开可用的工具，用于纠正和重建多壳高角分辨率的胎儿弥散磁共振成像数据，能够消除伪迹并重建适用于高级扩散建模的胎儿 dMRI 数据，为在具有挑战性的成像条件下更可靠地分析胎儿大脑微结构和胼胝体成像铺平了道路。
- Xi-Net: 基于 Transformer 的地震波形重构器
通过使用变压器（Transformer）为基础的深度学习模型，我们提出了一种名为 Xi-Net 的模型，它利用多方位的时间和频域输入来准确重建地震波形。我们通过填充随机间隙来证明该模型在 120s 波形中表现出色，与原始波形非常接近。
- 通过遮蔽自动编码器基于转移学习的 fMRI 重建揭示认知任务分层结构
利用蒙特卡洛自编码器模型重建功能性磁共振成像数据，通过迁移学习框架得到认知任务关系矩阵，揭示了认知任务之间的相似性和主从关系，为神经解码任务提供源任务选择的指导，以提高目标任务的解码性能。
- PiRD: 物理信息残差扩散用于流场重建
在流体动力学中使用机器学习越来越普遍，为了加快解决偏微分方程的正反问题的计算。然而，现有基于卷积神经网络（CNN）的数据保真增强方法面临一个显著挑战，即在训练阶段依赖于特定低保真数据模式和分布。引入扩散模型在这个背景下展示了提高性能和可泛化 - SeisFusion: 三维地震数据插值与重建的约束扩散模型与输入引导
地理、物理或经济约束常导致地震数据中缺失迹象，重建完整地震数据成为地震数据处理中关键的一步。我们提出的新型扩散模型重建框架可以有效处理复杂的地震数据缺失模式，并展现出卓越的重建准确性。
- 利用微地震测量和机器学习方法重建海浪数据
利用微震测量站和机器学习算法，本研究提出一种新的海浪监测系统，用以重建海浪浮标数据并提高可靠性。实验结果表明该系统能够克服浮标可靠性问题并保持同样的准确性。
- 使用具有离散余弦变换层的非对称稀疏自编码器进行脑电图传感器数据压缩
本文提出了一种具有离散余弦变换 (DCT) 层的非对称稀疏自编码器，用于压缩脑电图 (EEG) 信号，并通过稀疏惩罚损失函数在潜空间中保持特征图的稀疏性，最终使用解码器模块中的反 DCT 和两个完全连接的线性层来提高数据重构的准确性，与其他 - 跨联邦物联网设备对数据分布的对抗预测
联邦学习是用于分散式物联网设备训练机器学习模型的默认方法之一。但是，本研究表明，联邦学习中共享的模型权重可能泄露物联网设备的本地数据分布信息，并且模型权重注入噪声无法有效防止数据泄露。
- 用潜在量化实现解缠
通过强化模型正则化并将潜空间量化为可学习的离散代码，本文提出一种面向组成性编码和解码的概念偏置，从而在许多基准数据集上显著改善了学习表示的模块化和明确性。
- 基于单类三角形全局对准核极限学习机的无人机状态数据异常检测
该研究提出了一种通过使用 FastICA-TGAK-OCELM 算法结合数据重建技术来检测异常数据以提高无人机安全性的方法，实验证明该方法能够有效检测到点异常并提高精度超过 30%。
- CVPRGradViT: Vision Transformers 的梯度反演
该论文展示了视觉转换器（ViTs）对基于渐变的反演攻击的易受攻击性。作者提供了一种名为 GradViT 的方法，可以将随机噪声优化为自然图像，以通过迭代过程重建原始数据批次。作者发现 Vision Transformers 由于注意机制的存 - 仅标签的模型反演攻击：需要最少信息的攻击
该研究论述了利用模型输出对数据记录进行逆推的方式，给出了基于置信度分数向量和目标模型参数的黑盒和白盒攻击方法，提出了一种仅需要标签输出就能成功逆推的新攻击方法，该方法利用目标模型的错误率计算数据记录到决策边界的中位数距离，生成置信分数向量并 - CVPR无监督多元规范 CSCℓ4 网络脑部图像合成
本论文提出了一种名为 CSC l4 Net 的新型神经网络，它能在多模态医学数据中进行特征级相互转换和数据重构，表现优异。
- MM噪声对比变分自编码器
本文理论上探索了几种流行的变分自编码模型，在启发于噪声对比评估算法的基础上，提出了一种新的算法 NC-VAE，在数据重构能力上不会出现后验崩溃问题，提供了新的下界，并在图像和文本数据集上进行了实证展示。
- NIPS对抗对称变分自编码器
该研究开发了一种新形式的变分自动编码器 (VAE)，它在两个（对称的）形式中考虑了数据和代码的联合分布。同时，它使用对称的 KL 散度最小化方法进行学习，并使用一种新的对抗性训练方法来加速学习。在多项实验中，该研究展示了在数个图像基准数据集 - CVPR一种用于常曲率流形的高效 Exact-PGA 算法
本文提出了一种适用于常曲率黎曼流形的精确 PGA 算法，它通过使用黎曼逆指数映射和平行传输操作，直接计算表征数据点和主子流形之间距离的分析量，并无需操作或优化，实现比现有 PGA 算法更高的计算效率和更好的精度，并展示了它在数据重建方面的成