- Volterra 过程的条件法则的低维近似：一种非正曲率方法
预测具有随机波动率的 Volterra 过程的条件演变是数学金融中的关键挑战，我们提出了一种两步解决方案，通过稳定的降维技术和适合流形几何的逐步深度学习模型来近似投影 Volterra 过程的条件律。
- 子空间节点修剪
使用节点剪枝和子空间形成技术，该论文提出了可以在保持网络性能最大化的同时去除计算单元来提高深度网络的效率，通过重新组织网络和使用正交子空间来选择合适的剪枝比例，并在 VGG 和残差网络中验证了该方法的优越性。
- 使用分治策略和轻量级卷积神经网络进行手骨年龄预测
通过使用深度神经网络模型对手部放射线的小区域进行预处理和估计骨龄，提高了定骨年龄估算的准确性，而不增加所需计算资源，测试集平均绝对误差为 3.90 个月（0-20 岁范围内）和 3.84 个月（1-18 岁范围内）。
- 仅使用少量干净样本的统一神经背门去除方法：遗忘与重新学习
ULRL 是一种全面有效的去除后门的新方法，它通过首先使用 unlearning 来识别可疑神经元，然后通过有针对性的神经权重调整来减轻后门攻击，ULRL 在消除后门同时保留模型的实用性方面显著优于现有方法。
- 越南电子商务网站垃圾评论检测的元数据整合
利用 PhoBERT 模型结合产品描述功能实现了检测越南电子商务网站上垃圾评论的最先进性能，可以通过同时整合文本和分类属性来提高垃圾评论分类的准确性。
- 多标签自适应批量选择：突出困难和不平衡样本
深度神经网络模型对多标签数据进行分类，然而在构建小批量时，类别不平衡导致模型对多数标签偏向，本研究引入了适用于多标签深度学习模型的简单且有效的自适应批量选择算法，优先选择与少数标签相关的困难样本，实验证明我们的方法比随机批量选择更快地收敛并 - 一次性域增量学习
在本研究中，我们考虑了只有一个来自新领域的样本的情况，称之为一次性增量学习（one-shot DIL）。通过对批量归一化层中的统计数据进行分析，我们发现了一次性增量学习的困难来源，并提出了一种关于这些统计数据的技术。通过在开放数据集上进行实 - 采用迭代度量剪枝推进工业物联网的 OTA 联邦学习
工业物联网（IIoT）在第四次工业革命下开启了一个互连的智能设备时代，其中数据驱动的洞察力和机器学习（ML）融合革新了制造业。在 IIoT 中，一个值得注意的发展是联邦学习（FL）的整合，解决了设备间的数据隐私和安全性。FL 使得边缘传感器 - 一种用于动态视觉刺激生成的时空风格迁移算法
图像研究中，我们引入了动态视觉刺激生成框架的 Spaciotemporal Style Transfer 算法，它基于双流深度神经网络模型，能够生成与自然视频的低级时空特征匹配的模型变形器，缺乏高级语义特征，成为研究对象识别的有力范例。
- 通过可视化动态风险评估理解深度学习对抗性示例的防御
近年来，深度神经网络模型在各个领域取得了许多进展，但是它们也开始在风险关键任务中使用。模型的误诊可能导致严重事故甚至死亡。这引起了研究人员对这些模型的攻击进行研究，发现了一长串的漏洞，所以每个模型都应该进行防护。对抗性示例攻击是研究人员中广 - 高效可解释的交通目的地预测：解释性提升机方法
通过评估一种高效的可加性模型，本研究在三个热门混合交通数据集上对交通预测进行了评估，结果显示该模型在预测行人目的地方面表现竞争力，对以车辆为主的数据集则提供较为适度的预测，而透明的训练模型使我们能够分析特征的重要性和相互作用，并提供预测解释 - DaFoEs：混合数据集以实现微创机器人手术视觉状态深度学习力估计的泛化
通过创建新的视触觉数据集，使用深度神经网络模型进行训练，并将不同的视觉和状态数据输入泛化为混合数据集训练的通用管线，该研究展示了在微创机器人手术中，混合实验设置用于视觉状态力估计是解决问题的一个可行方法。
- 语义分割的不确定性估计：提供改善自动机动车理赔处理的可靠性
利用元分类模型评估汽车零部件语义分割模型预测段的精度，通过剔除低质量的段，平均分割结果的 mIoU 略微提高 16 个百分点，错误预测段减少 77%。
- 优化压力摆动吸附装置中的 $CO_{2}$ 捕捉：一种深度神经网络方法，具有优化评估和操作图用于决策
该研究提出了一种用于循环吸附过程的替代优化的方法，主要关注提高压力摆动吸附单元对二氧化碳（$CO_2$）的捕获效果。研究开发并应用了一个多输入单输出（MISO）框架，包括两个深度神经网络（DNN）模型，用于预测关键过程性能指标。这些模型随后 - RAEDiff：基于可逆对抗样本自动生成和自恢复的去噪扩散概率模型
通过 DDPM 中的先验知识，将数据集扩散到偏差高斯分布 (BGD) 中，利用 RAEDiff 这种自我生成和自我恢复方法，生成并恢复用于深度神经网络 (DNN) 模型的可逆对抗扰动 (RAEs)，实验证明 RAEDiff 可有效自动生成 - EMNLP对文档级事件抽取的表示探测
将探测分类器框架应用于文本级别信息提取，研究表明，通过深度神经网络模型得到的表示可以在一定程度上改进参数检测和标签化，并略微提升事件级别任务，尽管在连贯性和事件类型预测方面会有一些权衡，同时在处理文件长度和跨句子语篇方面仍存在一定的困难。
- BLoad：增强神经网络训练的高效顺序数据处理
使用新的训练方案，能够在不同大小的序列上实现高效的分布式数据并行训练，最小化内存消耗，并在实验中取得了整体性能的提升。
- 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。
- 对比深度编码使得基于机器学习的组织病理学具有不确定性感知能力
利用深度神经网络模型和大规模数据集进行预训练，结合不确定性损失函数和弱监督，能够实现在使用非常有限的注释数据的情况下，取得与最先进方法相媲美的分类结果。
- 人脸验证系统的广义攻击
该研究论文通过深度神经网络模型实现人脸验证，并研究了人脸验证系统所遭受的对抗攻击，提出了 DodgePersonation Attack 及其相关分类，以及一种名为 ''One Face to Rule Them All'' Attack