- 量子误差纠正的机器学习模型基准测试
机器学习在量子误差纠正中的应用研究发现通过利用远程辅助量子位可以显著提高误差纠正的准确性，最新的深度学习算法可以将卷积神经网络的准确性提高约 50%。
- 具有优先多目标的核心集选择
深度学习算法中，通过核心集选择来减少计算成本和加速数据处理。在满足模型性能的前提下，通过优先级顺序，我们提出了一种创新方法来选择尽可能小的核心集，以更低的成本和更高的加速度实现更好的模型性能。
- 通过将机器学习与 Cuckoo 沙盒集成来增强恶意软件检测
本研究通过使用深度学习算法（如 CNN 和 RNN）对包含 API 调用序列的数据集进行恶意软件分类和识别，与传统的机器学习方法（如 SVM、RF、KNN、XGB 和 GBC）进行性能对比，发现深度学习和机器学习算法在某些情况下均能达到高达 - 弹性信息瓶颈
信息瓶颈是一种信息论表示学习原理，旨在学习一个最大压缩的表示，以尽可能保留关于标签的信息。本文研究了信息瓶颈和确定性信息瓶颈在迁移学习情景中的泛化能力，并提出了一种弹性信息瓶颈方法，通过在信息瓶颈和确定性信息瓶颈正则化之间插值来平衡源泛化差 - 深度学习的数学导引：方法、实现和理论
该研究论文介绍了深度学习算法的主题，包括不同的人工神经网络架构、优化算法和理论方面，同时讨论了用于偏微分方程的深度学习逼近方法。
- 黑铁匠：通过混合单步和多步方法实现视觉 Transformer 的快速对抗训练
我们提出了一种名为 Blacksmith 的新训练策略，用于解决深度学习算法中的 Catastrophic Overfitting 问题，尤其适用于 Vision Transformers。通过在神经网络的对抗训练中随机使用 PGD-2 或 - 基于 MRI 的深度学习在阿尔茨海默病诊断中的应用
阿尔茨海默病（Alzheimer's disease）是一种最常见的神经系统痴呆症，通过磁共振成像技术结合深度学习算法可以早期诊断该病并确定病症特征，因此本研究分析了 2021 年至 2023 年之间基于磁共振成像的深度学习算法在 AD 诊 - 深度学习在现实世界中的 1 型糖尿病管理中的安全挑战
使用深度学习算法模拟血糖动力学的实际应用和局限性的研究。
- 视觉解释的可解释人工智能基准
深度学习算法的崛起在计算机视觉任务中取得了重大进展，但它们的 “黑匣子” 性质引发了对可解释性的关注。可解释人工智能（XAI）作为一个重要的研究领域出现，旨在打开这个 “黑匣子”，并揭示人工智能模型的决策过程。视觉解释作为可解释人工智能的一 - 基于脉冲网络和多盒子检测的暗物体高效检测策略
提出了一种高效可靠的目标检测模型，它采用了尖峰和正常卷积层的组合，并利用预训练的 VGG16 作为特征提取器，实现了图片边界框的检测。
- 基于全卷积网络的数字图像处理下的模具磨损分割在冲裁过程中的应用
工具磨损、磨损监测系统、冲压工艺、时间序列、深度学习算法
- 分层概念发现模型：一个概念金字塔方案
利用深度学习算法设计了一种多层次概念发现框架，允许人类理解的概念在决策过程中高度解释性，通过图像 - 文本模型和基于数据驱动和稀疏的贝叶斯算法进行多层次概念选择，实验结果表明这种构建不仅胜过最近的 CBM 方法，而且为解释性提供了一个有原则 - 深度学习在医疗保健中的综述
通过深入研究深度学习模型在医疗解决方案中的部署，本研究旨在探讨在医疗系统中使用的深度学习方法，包括前沿的网络设计、应用和市场趋势，以及当前未解决的问题和潜在方向。
- KDDHAVE-Net: 基于虚拟的音频 - 视觉嵌入的少样本分类方法
提出了一个新颖的少样本生成框架，Hallucinated Audio-Visual Embeddings-Network (HAVE-Net)，用于远程感知数据中音频和视觉模态的元训练和分类，在 ADVANCE 和 AudioSetZSL - 高效提升预训练模型的鲁棒性
使用知识转移方法，将较小模型的鲁棒性迁移到大规模网络中，提高大规模模型的性能和鲁棒性。
- COVID-19 期间导航外部配电负荷预测：利用人类流动性的持续学习方法
基于深度学习算法和连续学习技术的能源负荷预测研究，特别针对疫情期间的分布区间外问题和人类流动数据的利用。
- MedShapeNet – 计算机视觉的大型三维医学形状数据集
MedShapeNet 是一个具有超过 100,000 个医学形状的集合，主要用于促进数据驱动的视觉算法在医学应用中的应用，同时提供扩展现实和医疗 3D 打印的免费可用的 3D 模型。
- 利用视频对话中的面部特征检测轻度认知损害
利用深度学习算法从视频中提取面部特征来检测老年人的轻度认知障碍（MCI），通过使用卷积自编码器提取空间整体面部特征和使用变换器提取时间信息的方法，该研究在 I-CONECT 行为干预研究数据中成功地检测了 MCI 病人与正常认知状况的病人， - 利用大规模在线学习训练深度代理模型
该论文提出了一个开源在线培训框架，用于快速解决偏微分方程组，可以提高深度代理模型的数据多样性，对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Messag - ICML增强学习中的引导式表示学习
本文研究了强化学习中的状态表示问题，发现时序差分学习与蒙特卡罗、残差梯度学习在大部分环境的特征学习上存在差异，本文提出的新的辅助学习规则在经典环境下具有较好表现。