- 基于概率电路的可信度感知多模态融合
通过使用概率电路来进行预测分布的多模态融合，我们提出了一种可靠地推断可信度的融合方法，并在实验评估中证明了其与最先进方法在性能上的竞争力。
- 基于分位数最大似然训练的异常检测
通过量化分位数的最大似然目标为学习内点分布并改善稀有点分离，我们的方法使用训练好的判别特征适应一个标准化流，并根据评估的对数似然检测稀有点。通过实验评估，我们的方法表现优于现有的无监督方法，并与最近的自监督方法竞争。我们的工作能减少对充分负 - 量子核混合用于概率深度学习
该研究通过量子密度矩阵的数学形式导出了一种新颖的概率深度学习方法，即量子核混合模型，旨在建立不同 iable 的模型进行密度估计、推理、采样，实现端到端深度神经模型集成，其具有广泛的应用价值，特别是在密度估计、判别学习和生成建模中展现出了显 - IJCAI基于原型多层学习的半监督域自适应
本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的 SSDA 性能。
- CVPRSketch3T: 用于零样本物品检索的测试时训练
本论文提出了一种零样本草图检索的测试时间训练范式，通过自监督附加任务的方式，利用单个草图实现模型的适应性更新，设计了基于元学习的训练范式以保持模型更新的高效性，并在实验中取得了优异的成果
- ICCVOpenGAN: 通过开放数据生成实现开放集合识别
本篇论文提出了 OpenGAN 方法，结合了两种区分开放和封闭集的概念性方法，并通过一些技术手段解决这些方法的局限性，实现了机器学习中开放集识别领域的性能显著提升。
- 变分量子玻尔兹曼机
本文提出一种基于虚时间演化的变分量子 Gibbs 状态逼近方法，实现了与临近中期的量子计算机兼容的量子 Boltzmann 机械训练方法，同时支持任意参数哈密顿量的梯度下降求解，适用于生成学习与判别学习任务。
- 野外低分辨率人脸识别：比较和新技术
本文分析在野外捕捉到的低质量条件下的人脸识别技术，提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题，并在 SCFace 和 UCCSface 数据集上进行了评估。
- 使用张量网络实现量子机器学习
本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其 - 预测区间的判别式学习
本文提出了一种区分学习框架，它在区间大小预算约束下，优化预期错误率，以构建归纳批处理中的预测区间。通过专注于预期误差，我们的方法允许条件错误率的变异性，这可以提高整体准确性或者减少平均区间大小。虽然我们考虑的问题是回归型的，但我们使用的损失 - FFDNet: 基于 CNN 快速灵活的图像去噪解决方案
提出了一种快速而灵活的去噪卷积神经网络 FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于 BM3D。
- 基于 von Mises-Fisher 混合模型的深度学习：应用于人脸验证
本文提出了基于 von Mises-Fisher 混合模型的深度学习方法，能有效地深度学习方向特征，实现了紧凑学习同一类别的实例，同时增加不同类别的实例之间的距离，融合了多种流行的 loss 函数，并在人脸验证任务中获得了当前最优结果。
- CVPR学习深度 CNN 去噪先验用于图像恢复
本篇论文旨在通过变量分裂技术将快速鉴别式去噪模块插入基于模型的优化，实现解决逆问题的目的，并着重于训练一组快速有效的卷积神经网络去噪器以及将其融合到模型优化中，以便更好地应对各种相关低级视觉应用，实验结果表明，学习到的去噪器不仅在高斯去噪方 - ICML卷积神经网络大边界 Softmax 损失
本文提出了 L-Softmax loss 作为一种广义的大边际 softmax（L-Softmax）损失函数，可以显式地鼓励所学特征的类内紧密性和类间可分性，并且能够调整想要的边际并避免过拟合，并在四个基准数据集上进行了广泛实验，结果表明使 - CVPR卷积神经网络的非局部彩色图像去噪
本研究提出了一种基于非局部图像模型的新型深层网络结构，用于灰度和彩色图像去噪，并通过实验验证，表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能，同时能够与卷积神经网络进行直接连接，并利用深度学习中 GPU 计算的最新进展，在其固有 - ECCV大规模视频异常检测的判别式框架
本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。
- ICCV学习空间正则化相关滤波器进行视觉跟踪
介绍了 Spatially Regularized Discriminative Correlation Filters (SRDCF) 算法用于解决缺乏训练数据的视觉追踪问题，并且提出了一种空间正则化组件，能够更高效地学习目标外观模型。在 - 具有偏差反馈的无偏学习排序
通过对因果推断框架的提出，使用倾向权重排序支持向量机从隐式反馈学习，消除了数据偏差问题，取得了更好的结果。
- NIPS通过深度架构上的镜像下降反向传播进行 LDA 的端到端学习
本研究开发了 BP-sLDA 和 BP-LDA，前者是一个完全判别式的学习方法，后者是一个新的无监督 Latent Dirichlet Allocation 模型的学习方法，二者都采用了反向传播算法和镜像下降算法进行参数估计，并取得了比之前 - 学习混合线性分类器
本文提出了一种基于谱技巧和‘镜像’技巧的简单方法，用于解决由 k 个线性分类器组成的回归函数的判别学习问题，并证明了该方法在特征向量分布服从概率假设下具有近乎最优的统计效率。