- ICLR学习标签编码以进行深度回归
本文介绍了基于正则化标签编码学习 (RLEL) 的端到端网络和标签编码的训练，使用连续搜索空间的实值标签编码和鼓励一定属性编码的正则化函数，该方法适用于回归问题，应用于深度回归网络涉及的多个任务和不同数据集时均可得到较好的结果，在 MAE - PATCorrect：非自回归音素增强 Transformer 用于 ASR 误差校正
本文提出了一种基于 Transformer 模型和音素编码器的新型非自回归（NAR）纠错方法，该方法通过减少单词错误率（WER）来提高转录质量，并在不同的上游 ASR 系统中实现了鲁棒性能，特别是在 GPU 硬件上实现了与其他 NAR 模型 - ICLRTransformer-Patcher: 一错必补的神经元
本研究提出一种被称为 Transformer-Patcher 的神经网络模型，能够通过简单地添加和训练最后一层前馈网络中的少量神经元，连续纠正长序列中的错误，达到了顺序模型编辑（SME）的最优表现，解决了工业环境中部署的模型如何快速准确地修 - AAAISoftCorrect: 语音识别的软检测纠错
本文提出了 SoftCorrect, 一种具有软错误检测机制的误差校正方法，该方法通过由专门设计的语言模型产生的一种概率来检测单词是否正确，然后设计了一种受限制的 CTC 损失，仅复制检测到的错误单词，以便解码器集中进行错误单词的更正
- 变长编码与误差检测领域的交叉
研究了与自动机同构相关的几种赋范情况下，对于给定的正则码，能否判断基于 $\tau_{d,k}$ 的条件的变长编码的错误检测和纠正能力的问题。
- 基于操作预测的 ASR 误差纠正方法
本文提出了一种利用纠错操作预测的 ASR 错误校正方法，该方法可降低解码过程的延迟，提高推理速度并维持相同水平的准确性。
- 基于知识图谱的认知语义通信系统
本论文提出了一种基于认知语义学和知识图谱的语义传播框架，使用三元组来提取语义信息并进行纠错，相较于其他基准系统具有更高的数据压缩率和通信可靠性。
- 基于稀疏梯度差分的分布式学习
该论文介绍了一种分布式学习任务的优化方法，称为 Gradient Descent with Sparsification and Error Correction (GD-SEC)，该方法在不降低收敛速度的情况下，将工作者到服务器的每次通讯 - EMNLP部署后记忆辅助提示编辑以改进 GPT-3
利用用户交互纠正 GPT-3 模型的错误，而无需进行重新训练。本文中提出了将 GPT-3 与一个不断增长的记录案例和用户反馈的记忆相结合的方法，以产生一个可查询该记忆进行错误纠正的系统。通过证明方法可以增强大型预训练语言模型的实用性，特别是 - 跨模态 ASR 后处理系统，用于纠错和话语拒绝
本文提出了一种跨模态后处理系统，包括融合不同模态的声学特征和文本特征、联合置信度估计器和错误修正器以及统一的错误修正和话语拒绝模块等，证明相较于单模型或单任务模型，该系统更加有效率地减小语音识别中字符错误率 (CER)，且每个单词的额外延迟 - EMNLPFastCorrect 2：自动语音识别中的多候选快速纠错
本文提出了 FastCorrect 2，一种错误校正模型，并采用多候选项作为输入，以提高纠错精度。 FastCorrect 2 采用非自回归生成来进行快速推理，其中包括一个编码器，用于处理多个源语句，并且根据每个源标记的预测持续时间生成调整 - FastCorrect: 使用编辑对齐技术的快速音频语音识别错误纠正
本文提出了一种基于编辑对齐的新型非自回归 (NAR) 自动语音识别 (ASR) 误差校正模型 FastCorrect，其将 ASR 输出语句的源词元素对齐到对应的地面真值句子的目标词元素，并根据编辑距离提取出每个源词元素对应的目标词个数，用 - 深度延伸反馈码
本文提出了一种基于深度神经网络的误差校正编码器架构，名为 Deep Extended Feedback（DEF），旨在提高带反馈信道传输的编码效率和纠错能力，并且比其他深度神经网络编码方法更优秀。
- AAAI通过对抗位翻转的 Infomax 神经联合源信道编码
本文旨在提高 NECST 编码网络的稳定性和鲁棒性，通过正交最大化和敌对训练等方法，我们提出了一种称为 Infomax Adversarial-Bit-Flip（IABF）的正则化方法，能够显著提高编码和纠错的性能。
- 因子图上基于神经网络的增强置信传播
本文提出了一种新的混合模型，将因子图神经网络与置信传播结合起来，通过每一次迭代交替地运行，从而在误差纠正编码任务方面优于置信传播。
- 超导量子比特：现状
超导量子比特已经在量子计算领域成为应用最广的领先候选者，在使用 “嘈杂中间尺度量子”（NISQ）技术时，非纠错量子比特被用来实现量子模拟和算法的原型方案。 本文讲述了超导量子位硬件、量门实现、读出能力、NISQ 算法实现和使用超导量子比特进 - 深度强化学习用于编程语言纠错
针对初学者编程者在编程语言上的困惑，通过一种新颖的基于强化学习的编程语言纠错框架，利用专家演示以及自我探索等方式进行训练提升，使得其对有错误的程序进行更好的修复，相对于最先进的工具 DeepFix 在修复错误和更多的编译器错误信息上提高了 - MM逆时间转录
本文研究了在成本敏感的情况下，如何以固定的时间预算自动选择错误修正的位置和大小，以最大化修正的错误数量，并提出了一种动态更新框架来训练纠错成本模型，进而实现高度适应性。该方法在模拟和实际的用户研究中均获得了有效的效率改进。
- 连接组学的错误检测和纠正框架
利用多尺度三维卷积网络实现三维重建和图像分割中的异常检测和校正任务，输入原始图像和候选对象的二进制掩模，可以获得分裂和合并错误地图以及真实对象，使用错误检测网络得到的错误建议对象掩模可以提高错误校正网络的准确性。
- AAAI基于模型的强化学习的自我纠正模型
本文从理论角度分析了 Hallucinated Replay 方法在模型有误的情况下的强化学习效果，提出了一种新的误差界，利用这种方法使确定性 MDPs 的强化学习算法更具有鲁棒性和性能保证。