- 自动识别多语言注册表的非限制网络
该研究探索了深度学习模型在自动识别网络文本分类（如新闻报道和讨论论坛）方面的应用，尤其是在多语言环境下，该模型通过使用新的多语言核心语料库，通过对 25 个分类目录进行层次化注释，提高了分类性能。
- 对 CT 图像退化进行的黑盒模型鲁棒性测试：基于测试时增强的方法
通过模型架构和数据预处理对多个常用分割和目标检测方法在模拟 CT 成像伪影和退化情况下的鲁棒性进行了测试，并考虑了通过模拟扫描仪老化或成像协议变化引起的图像质量的未来变化对深度学习模型的临床应用的可持续性的影响。
- 利用双重深度神经网络推进 PM2.5 运营预测 (D-DNet)
提出了一种双重深度神经网络（D-DNet）预测与数据同化系统，能够高效整合实时观测，确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀，在 2019 年整年内保持一致的准确性，并比 Coperni - KDD面向鸟类生物声学的深度主动学习
被动声学监测（PAM）在鸟类生物声学中能够以最小干扰自然栖息地的方式实现经济高效、广泛的数据收集。本文概述了一种深度主动学习方法，介绍了关键挑战，并进行了一个小规模的试点研究。
- 优化超参数与检验点模型权重的改进
该论文提出了一种用于神经网络的超参数优化方法，使用已训练权重的记录检查点来引导未来的超参数选择，借助灰盒超参数优化方法，通过嵌入权重到高斯过程深度核代理模型来提高效率，并通过一个置换不变图元网络实现数据效率。
- 通过深度学习和精调的大型语言模型构建集成模型以提升实体识别性能：多源不良事件抽取案例研究
本篇研究旨在评估 LLMs 和传统深度学习模型在提取 AE 信息方面的有效性，并评估这些模型集成对性能的影响。研究发现，利用优化后的传统深度学习模型和 LLMs 进行集成，能够在提取疫苗、注射和不良事件方面实现最高性能，同时对整体性能的评估 - 利用深度鲁棒分类器中的边缘一致性检测脆弱决策
本文引入了边际一致性的概念，该概念将输入空间的边际与鲁棒模型的逻辑边际联系起来，用于高效地检测易受攻击样本和评估部署情景中的对抗脆弱性。
- ICCV用显式的程序化知识引导视频预测
我们提出了一种将领域的程序化知识集成到深度学习模型中的通用方法，并通过基于物体为中心的深度模型对视频预测进行应用，表明这比仅使用数据驱动模型能够获得更好的性能。我们开发了一种使潜在空间解缠结的架构，以利用集成的程序化知识，并建立了一个允许模 - 语义深度隐藏用于鲁棒的无法学习的示例
在确保数据隐私和保护的时代，我们提出了一种深度隐藏方案，适应性地隐藏富含高级特征的语义图像，通过不可见地集成预定义图像并结合欺骗性扰动隐藏它们，以增强数据的不可学习性和阻止未经授权的数据探索。
- BayTTA: 使用贝叶斯模型平均优化测试时间增强的不确定性感知医学图像分类
本研究提出了一种新的基于贝叶斯模型平均的测试时间增强（TTA）优化框架 BayTTA，通过结合模型预测并加权考虑后验概率，可以提高相关机器学习或深度学习模型的预测性能。在医学图像分析和一些流行的预训练 CNN 模型中，BayTTA 的实验结 - 深度学习预测和分类分段光滑映射的动态行为
本研究探讨了使用各种深度学习模型来预测分段平滑映射的动力学。通过使用深度学习模型，我们展示了预测分段平滑映射动力学的各种新颖方法。我们还使用机器学习模型如决策树分类器、逻辑回归、K 近邻、随机森林以及支持向量机来预测一维正规形式映射和一维帐 - 因果 Transformer: 时间因果发现的可解释 Transformer
通过预测任务和设计的多核因果卷积，CausalFormer 学习时序数据的因果表达，并通过回归相关传播解释训练后的模型全局结构以构建因果图，从而在发现时序因果性方面实现了最先进的性能。
- 合纵连横：关于数据转移和离群点检测的元分析
本文介绍了一种将离群分布检测评分无缝组合的通用方法，通过量化正态化将这些评分转化为 p 值，将问题转化为多变量假设检验，并使用元分析工具组合这些检验，从而得到具有巩固决策边界的更有效的检测器。通过实证研究，我们探索了不同类型的数据偏移对于数 - 阅读就是信仰：重新审视语言瓶颈模型对图像分类的作用
通过将现代图像描述器与预训练的语言模型相结合，语言瓶颈模型在灾害图像分类任务中能够超过黑盒模型的分类准确率，并且通过融合两者可以产生协同效应，进一步提高分类准确率。
- 使用迁移学习进行骨折分类
本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。
- 解读后续离群检测器对于对抗鲁棒性的定义
研究检测和防御方法，以保护深度学习模型免受不符合预期数据、对抗性示例和逃避攻击的影响。
- FT-AED：早期高速公路交通异常事件检测基准数据集
这篇论文介绍了一种大规模的高速公路交通数据集，用于异常检测，利用深度学习模型可以提高事故报告准确性和减少延迟。
- 球面扩散下全球气候模型的概率仿真
数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越 - DN-CL: 通过对比学习进行噪声下的深层符号回归
通过对比学习，深度符号回归对抗噪声（DN-CL）使用两个参数共享编码器将数据点从各种数据变换嵌入到特征屏蔽中，以对抗噪声，通过减小这些特征之间的距离来区分经过噪声修正的正向对和负向对，实验结果表明 DN-CL 在处理噪声和干净数据方面具有卓 - SSAD：基于全景 X 光的牙科疾病诊断的自监督辅助检测框架
本文提出了一种自监督辅助检测 (SSAD) 框架，用于诊断牙科疾病，通过共享相同的编码器和无需微调的方式，同时训练重建分支和检测分支，以提高对细粒度特征的捕捉能力。实验证明，该框架在公共 DENTEX 数据集上的三项检测任务中取得了与主流目