- 利用轻量级神经网络集成进行海冰浓度的代理建模
基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测，实验结果表明相较于资源密集型的物理模型，该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比，我们实现了 20% 的改进。
- 多尺度多模态对比学习网络用于生物医学时间序列
多模态生物医学时间序列数据的表示学习方法，利用对比学习迁移模态间的变化，并通过多尺度特征提取和交叉模态对比学习来提高鲁棒性，在四个生物医学应用中相较于现有模型有较大的性能提升。
- 使用卷积自动编码器防御对抗性攻击
基于卷积自编码器的方法提高目标分类器对抗性攻击的鲁棒性，通过生成与输入图像相似的图像来恢复模型的准确性。
- 基于人工智能的太赫兹超表面频谱预测中的频率信息非均匀分布的出现
通过利用人工智能预测多频输入对特定频谱进行调制，可以显著提高网络的预测准确性，从而优化现有数据集的利用并为人工智能、化学、复合材料设计、生物医学等领域的跨学科研究和应用铺平道路。
- 类别不平衡下神经网络训练简化
现实世界的数据集通常存在严重的类别不平衡问题，通过调整标准深度学习流程的现有组件，如批次大小、数据增强、优化器和标签平滑等，可以实现无需专门的类别不平衡方法即可达到最先进的性能，并提供了关于训练类别不平衡的关键建议和考虑因素，以及关于为什么 - 增强车辆入场和停车管理：用于效率和安全的深度学习解决方案
通过使用最先进的深度学习模型，我们自动化了车辆入口和停车的过程，确保车辆和人员已在组织中注册，提供高效的车辆检测、精确的识别、简化的记录保留和优化的停车位分配，增强了便利性、准确性和安全性。
- 信息瓶颈结合奇异正则化改进模型的对抗鲁棒性
通过奇异值分解将图像分解为多个矩阵，对不同攻击的敌对信息进行分析，提出一种新的模块来规范敌对信息，并结合信息瓶颈理论实现中间表示的理论限制，从而提高模型的鲁棒性。
- 基于神经模型的图像标题增强
本研究使用深度学习模型来探索神经图像字幕生成的领域，研究不同的神经网络架构配置，重点关注注入架构，并提出了一种新的质量度量标准来评估字幕生成。通过广泛的实验和分析，本研究揭示了图像字幕生成中的挑战和机遇，深入洞察了模型行为和过度拟合问题。结 - 回归任务的简单可迁移性估计
我们提出了两种简单且计算高效的方法，基于线性回归模型的负正则化均方差误差来估计优化的目标模型的转移性，在准确性和效率两方面显著优于现有的最先进的回归可转移性估计器。
- 关于步长调整和渐进锐化之间的相互作用
最近的实证研究发现，深度学习模型的一个有趣特性是通过优化过程中最大特征值（海森矩阵的最大特征值）逐渐增加，直到在关键值处稳定，此时优化器在稳定边缘操作，给定固定步长；我们通过实证研究了使用步长调节器（如 Armijo 线搜索和 Polyak - 深度集合脑电解码器中的潜在对齐
基于深度学习模型和统计领域适应技术，本研究介绍了获得 EEG 转移学习竞赛冠军的 Latent Alignment 方法，并将其表述为应用于给定受试者试验集的深度集合；实验结果表明，在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性， - COVIDx CXR-4：用于基于胸部 X 射线图片的辅助 COVID-19 诊断的开源多机构扩展基准数据集
COVIDx CXR-4 是一种新的开源数据集，通过增加总患者群体大小，从多个机构收集来自 45,342 位患者的 84,818 张胸部 X 射线图像，以改善 COVID-19 的计算机辅助诊断，从而提高 COVID-19 诊断的性能。
- 救援领域转变的医疗图像自动诊断中的转诊失败
对领域转变的医学图像中的可靠自动疾病诊断中的转诊存在重要挑战，并找到了关键应用。
- 从反应式到主动式波动建模：半球神经网络的应用
我们通过具有专门的均值和方差半球的新型神经网络架构，给宏观经济密度预测重新注入了最大似然估计（MLE）。我们的架构具有几个关键要素，在这个背景下使 MLE 工作。
- 适用于行人检测的无模型依赖的身体部位相关性评估
使用抽样方法的解释模型在计算机视觉领域中的人体部位相关性评估用于行人检测，提出了一种类似于 KernelSHAP 的新型抽样方法，对较小的样本量表现更为稳健，从而在大规模数据集上更高效的可解释性分析。
- 再三考虑？请让我们听听
深度学习模型与人类决策过程相似，但其决策过程易受干扰。我们提出了一种新的注证过程，通过模拟选择性注意力来增强深度学习模型的鲁棒性。实证评估表明，这种新的注证过程可以提高深度学习模型的准确性，并帮助我们建立安全措施以减轻其在人工和自然对抗样本 - 使用对比度图交叉视图学习和 SPECT 图像与临床特征的多模态融合进行帕金森病分级
通过引入多模态方法，结合深度学习和图融合技术，我们的研究提出了一种用于帕金森病分类的图视多模态方法，实验结果表明，在五折交叉验证中，该方法可以达到 91% 的准确率和 92.8% 的 AUC，并且相比仅依赖机器学习方法的方法，在非图像数据上 - SwiftLearn: 使用重要抽样的深度学习模型高效训练方法
SwiftLearn 是一种数据高效的方法，通过在训练的暖启动阶段选择一部分数据样本加速深度学习模型的训练，实现减少训练时间。实验结果表明，在各种计算机视觉和自然语言处理模型的预训练和微调过程中，通过减少训练样本数量可以保持模型性能，并实现 - 关于可靠机器学习的基准模型多样性的实证研究：图像分类案例研究
通过对可信度的多维度模型设计和其对一系列可靠度指标的影响进行一站式的经验基准测试，我们的研究暴露了深度学习模型的过参数化现象导致的模型多样性，这需要在模型选择过程中增加额外的规范以避免意外的失败，并为这种多样性提供影响和趋势的可行性建议。
- 二值化三维全身人体网格恢复
通过使用 Binarized Dual Residual Network (BiDRN) 量化方法，本文在资源有限的边缘设备上以 22.1% 的参数和 14.8% 的运算量实现了与全精度方法 Hand4Whole 相当的性能，且在 3D 全