- MLAAN：用多层跃迁增强辅助网络扩展监督局部学习
Scaling Supervised Local Learning with Multilaminar Leap Augmented Auxiliary Network (MLAAN) integrates smoothly with es - 低资源关系抽取的端到端可训练软提取器
通过使用神经引导方法，我们提出了一种新颖的端到端可训练软最近邻推断器（ETRASK）来解决实例关系抽取中面临的非可微性问题，该方法通过软、可微分的选择 K 个最近实例进行可训练，从而在目标任务中实现了推断器的端到端训练，实验证明我们的方法在 - 多目标数据驱动决策流程的差异化
基于多目标决策的方法在解决实际中的数据驱动优化问题方面表现出色。
- 通过深度强化学习从自我中心视觉中学习机器人足球
我们运用多智能体深度强化学习（RL）通过自我中心的 RGB 视觉训练端到端的机器人足球策略，解决了现实世界机器人领域中的许多挑战，包括主动感知、灵活的全身控制和长时间跨度的计划等。该论文是首次展示了通过将原始像素观测映射到关节级动作的端到端 - 从模态到风格：重新思考异构人脸识别中的领域差距
我们的研究工作着眼于异构人脸识别，提出了一种新的条件自适应实例调制模块 (CAIM)，可以有效地适应不同的源模态，并弥合领域差距，实现全面训练。通过在多个挑战性的基准测试中进行广泛评估，证明我们的方法优于现有的方法。
- 可微分时变音频系统的全极滤波器
通过重新表达时间变化的全极滤波器以通过自身反向传播梯度，我们消除了在自动微分框架的技术限制下将滤波器实现到这一困难，从而可以在包含极点的任何音频系统中使用此实现以进行高效的梯度评估。我们演示了该实现在相移器、时变减法合成器和前向压缩器上对建 - 基于修复驱动的遮罩优化方法用于物体去除
本文提出了一种优化遮罩的方法，通过图像修复来提高对象去除的质量。通过使用分割提取的对象遮罩来训练修复网络，并在推断步骤中使用这些遮罩，解决了训练和推断图像之间的域差异问题。此外，通过连接分割网络和修复网络进行端到端训练，以改进修复性能，并通 - NNCTC：基于神经网络的物理层跨技术通信
基于神经网络的跨技术通信系统（NNCTC）通过将 CTC 管道中的信号处理组件转化为神经模型，实现了无需标记数据的端到端训练，从而使开发复杂性大大降低，并展示了各种 CTC 链接的可扩展性潜力。NNCTC 系统在错误性能上优于 WEBee - 利用基类信息增强元训练的少样本学习
基于元学习框架，我们提出了一种端到端训练范式，通过整个训练集的信息与元学习训练范式相互增强，以解决少样本学习中训练成本高和性能欠佳的问题。而且，我们的框架是无模型偏见的，相比基准系统提升了约 1% 的性能。
- CVPR通过人物属性预测学习群体活动特征
该研究提出了组活动特征（GAF）学习，通过人物属性预测无需群体活动注释来学习多人活动的特征；结合端到端训练方式，将 GAF 用于预测群体中人物属性，从而作为多人活动的特征；通过引入基于位置的属性预测，能够正确提取每个目标人物的复杂 GAF - 通过层级角色差异来诱导端到端训练中的信息瓶颈：与逐层训练进行比较的分析
通过与逐层训练进行比较，本文重新考虑为什么端到端训练能够表现出卓越性能，并分析了中间表示的信息平面动态，揭示了端到端训练在不同层中展示不同信息动态的能力，以及表明层间的合作相互作用需要被考虑在深度学习的信息瓶颈分析中。
- 统计套利自编码架构的端到端策略学习
通过使用自动编码器架构和策略学习方法，研究证明了这种创新的端到端策略学习方法不仅简化了策略开发流程，而且在收益上优于传统的两阶段方法，展示了端到端训练的潜力。
- 在实际环境中学习高效准确导航
在自主导航的地面机器人领域，现有的研究大多使用真实感的动力学和感知模型，而本篇论文致力于通过在仿真环境中进行端到端的训练，减小模型在现实机器人平台上的差距，并取得了显著的性能和稳健性的提升。
- 图像和时间序列的端到端反后门学习
本研究针对深度学习模型中的后门攻击问题，提出了一种创新的方法 —— 端到端反后门学习（End-to-End Anti-Backdoor Learning，E2ABL），通过在深度神经网络（DNN）的浅层连接一个额外的分类头，主动识别潜在的后 - 自动检测失语症患者语音中的改写错误的 Seq2seq 模型
提出了一种新颖的序列到序列（seq2seq）模型，经过端到端（E2E）训练，可以同时执行自动语音识别（ASR）和鹦鹉病检测任务，该模型在词级和句级鹦鹉病检测任务中优于以往最先进的方法，并提供了额外的后续评估来进一步了解该模型的行为。
- 通过广义奥恩斯坦 - 乌伦贝克桥进行图像修复
基于扩散模型与广义欧氏 - 乌伦贝克桥模型，通过端到端训练，从低质量图像恢复出高质量图像，并在各种任务中取得了最先进的结果。
- 超越端到端训练：以上下文补充提升贪婪局部学习
从信息论的角度出发，我们在贪婪的局部学习中提出了一种 ContSup 方案，它将隔离模块之间的上下文补充作为补偿信息损失的手段。在基准数据集（即 CIFAR、SVHN、STL-10）上的实验证明，我们提出的方法能够显著提高贪婪的局部学习性能 - AAAI可学习的长度控制策略的无监督抽取式摘要
一种基于孪生网络的无监督抽取式摘要模型，引入了可训练的双向预测目标，在选定的摘要和原始文档之间进行训练。与基于中心性排名的方法不同，我们的抽取式评分器可以进行端到端训练，无需位置假设。此外，我们通过近似 0-1 背包问题求解器引入了一个可微 - 跨 1000 帧的 10 亿参数端到端时序动作检测
通过降低训练内存消耗，本研究提出了一种新颖的轻量级模块 —— 时间信息适配器（TIA），有效地增加了时间动作检测（TAD）系统的规模和输入视频的帧数，从而显著提高了检测性能。
- 代理预测优化：学习预测和优化的联合模型
从观测特征中通过预测模型直接学习最优解的方法被提出，该方法是泛化的，基于学习优化范式，能够提供高效、准确和灵活的解决方案给一系列具有挑战性的预测优化问题。