- 揭示伪装：用于伪装物体检测和实例分割的可学习傅里叶增强
通过频域中的可学习增强方法（Camouflage Fourier），我们的研究旨在改善隐形物体检测和分割模型的性能，通过增加训练数据的规模和多样性，揭示隐形物体的结构并提高检测和分割能力。
- 同理解能机器学习技术能否检测虚假相关性？
深度神经网络模型容易学习到数据中的错误相关性，本文提出了一种评估方法，评估了五种事后解释技术和一种固有可解释的方法在胸部 X 射线诊断任务中对三种人为添加的混淆因素进行正确识别的能力，并发现 SHAP 和 Attri-Net 技术表现最佳， - IMPOSITION: 通过场景注入的隐式后门攻击
该论文提出了一种新颖的后门攻击方法 ——IMPOSITION，它利用训练数据中的现实场景来触发模型输出，针对自动驾驶系统中的轨迹预测模块进行应用，旨在研究深度神经网络模型的可信度和安全性。该攻击方法具有隐蔽性和难以检测性，并可对自动驾驶系统 - 自适应异步更新的容错分散式学习
研究提出了一种全分散的 DSGD-AAU 算法，通过自适应确定每个工作者与多少邻居工作者进行通信，实现了线性加速收敛，实验结果验证了理论结果。
- 应用混合深度神经网络处理达里语音
本文探讨了使用 Mel 频率倒谱系数特征提取方法和三种不同的深度神经网络模型 (CNN、RNN 和 MLP)，以及两个将 CNN 和 RNN 组合的混合模型识别达里语中个体单词的方法，结果表明，使用该技术可以获得 98.365% 的准确率。
- 三值量化：一项调查
本研究综述了深度神经网络模型压缩方法中的一种，三值量化。研究回顾了三值量化的发展历程，并从投影函数和优化方法的角度研究了现有的三值量化方法之间的关系。
- AAAI基于 GAN 的领域推断攻击
本文提出了一种基于生成对抗网络的方法来推断目标模型的可能或相似域，即模型域推断攻击（Model Domain Inference Attack）。通过生成数据集的距离来排名候选领域，从而帮助攻击者提高模型转化攻击的效果。
- 采用数据挖掘技术进行石油价格预测 -- 综述
本文综述了数据挖掘技术，包括回归模型、深度神经网络模型、模糊集和逻辑以及混合模型，以及这些模型如何开发及其准确性，用于石油价格预测。
- EMNLP先训练平面，再压缩：锐度感知最小化算法学习更易压缩的模型
本文提出了结合 SAM 的各种任务特定的模型压缩方法，包括迭代幅值修剪（IMP）、结构修剪和训练后动态量化，实验表明，优化平坦最小值一致性地导致参数更可压缩，并且在 GLUE 文本分类和 SQuAD 问答基准测试中几乎没有精度损失。
- ICLR发现 BERT 学习的潜在概念
此文探讨深度神经网络模型中学习的潜在观念，以及与传统的语言学层次的对比分析，并发现存在偏见的潜在观念并提供数据集（BCN）支持这些结论。
- CVPR数据无关黑盒攻击的动态替代训练
本文提出了一种动态替换训练攻击方法，通过动态门进行自适应生成最佳替代模型结构，并引入基于任务的图形结构信息学习约束来提高生成的训练数据的质量，并促进替代模型学习来自目标模型多个输出的结构关系。经过广泛的实验证明，所提出的攻击方法可以在几个数 - 使用神经网络捕捉视觉对象
本研究回顾了关于人类目标感知和深度神经网络模型在目标识别方面的相关工作，并探讨了这两个领域如何相互促进，提供了发展新实验任务和推动深度神经网络模型中的目标识别的基准的认知文献和实验任务。
- 利用特征融合和时空注意力预测行人过路意图
该研究提出一种采用注意力机制和递归神经网络融合序列 RGB 影像、语义分割掩码和自车速度的神经网络结构，用于预测行人过马路意图，从而解决全局时空上下文与融合传感器数据的最优策略问题，实现了针对自动驾驶系统中行人行为预测的最优性能。
- CVPR通过模糊核空间探索图像去模糊
本文提出一种将清晰模糊图像对数据集中的模糊算子编码到模糊核空间中，并使用交替优化算法进行盲目图像去模糊的方法，该方法不同于基于深度学习的方法，可以处理未见过的模糊核，同时避免使用常见于经典方法中的复杂的手工先验模糊算子。此外，所设计的编码核 - 探测分类器：承诺、缺陷和进展
探测分类器作为解释和分析自然语言处理深度神经网络模型的一种突出方法论已经被广泛应用。然而，最近的研究表明了其方法上的各种局限性。本文批判性地回顾了探测分类器框架，突出了其优点、缺点和进展。
- COVID-19 检测研究中负责任的医学图像深度学习建模清单
本文对 COVID-19 检测的深度神经网络模型进行了系统分析，揭示了在数据获取、模型开发和解释构建的不同阶段出现的错误。从放射学领域的深入理解不足中浮现出典型的错误，提供了放射科专家和处理模型解释的深度学习工程师的观点，最终得出了一份可靠 - AAAI深入研究深度神经网络的 Hessian 特征谱及其在正则化方面的应用
通过研究每层的 Hessian eigenspectrum，提出了一种基于 Hessian trace 的新的正则化方法，可以间接地迫使 Stochastic Gradient Descent 收敛到更平的最小值，从而提高了深学习模型的泛化 - 遗忘机器学习
该研究论文详细介绍了新颁布的 GDPR 法对机器学习模型隐私保护的重要性，针对深度神经网络模型容易遭受信息泄漏攻击的问题提出了 Unlearning 和 Amnesiac Unlearning 两种数据删除方法，实验证明这两种方法可行、安全 - ACL利用门卷积和笔记 - 代码交互进行医学编码分配
本研究提出了一种基于门控卷积神经网络和笔记代码交互的新方法，以自动进行医学代码分配，该方法在现实世界的临床数据集上实验验证其有效性，性能优于现有模型。
- KDD数据高效变化检测中遥感的深度主动学习
本论文研究了在深度神经网络模型中的主动学习，适用于诸如检测局部地表变化和地图更新等一些遥感任务，并使用各种机制捕捉和量化模型的不确定性，以选择有信息量的未标记样本进行注释，通过少量样本的标记就达到与大型训练集相同的性能的效果。