- 用于主动矫形器误差检测的脑电图和肌电图数据集
这篇研究介绍了一个包含了 EEG 和 EMG 记录的数据集，主要旨在为研究社区提供一个数据集进行异步错误检测，数据集公开可用并可重现。
- 使用 T5 变压器模型进行孟加拉语语法错误检测
使用 T5 语言模型检测孟加拉语中的语法错误，经过 fine-tune 后在测试集上表现良好，仍需后处理以获得最佳性能。
- 深度强化学习用于网络物理系统中的在线错误检测
提出一种基于深度强化学习的错误检测方法，不仅可以高精度检测错误，而且检测时间非常短，并可以对不同类型的错误进行分类，评估结果表明该方法在准确性和推理时间方面的性能得到了显著提高。
- 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
- 音频 - 文本蕴含的 ASR 错误检测
提出了一种基于语音 / 文本内涵的新型端到端 ASR 错误检测方法，该方法通过将音频和对应的文本片段之间的内涵建模为端到端任务，并利用声学编码器和语言编码器来预测内涵，实验结果表明该方法可以有效降低医学术语方面的分类错误率 12% 和 15 - 基于领域知识的自监督表示学习用于 Workout Form 评估
通过自监督的学习和对锻炼形式的理解，我们提出了一种在容易出现镜头角度、遮挡和光照变化的体育馆场景下，能够有效对运动员姿势进行检测的方法。我们还针对此目的创建了一个包含三种训练动作的新锻炼数据集，并且其自监督特征的表现超过了现有的 2D 和 - 使用自训练集成方法检测未标记数据上的错误并估计准确性
本文提出了一个结合了模型集成学习和自训练的框架，用于解决深度学习模型在实际部署中遭遇训练数据分布不同的测试数据导致性能下降的问题，同时解决无监督准确度估计和错误检测两个挑战性任务，并在 59 项任务中取得了最优结果。
- ACL模型何时以及为何失败？用于情感分析的人机交互型错误检测框架
本论文提出一种基于可解释特征的情感分析错误检测框架，通过人为干预的全局特征验证和全局与局部特征贡献分析，该方法能在高精度的情况下识别未知数据上的错误模型预测。
- AAAI使用高斯过程模型检测神经网络中的分类错误
本文提出了一种基于高斯过程的新框架 RED，以产生一种可靠的误分类错误检测度量，从而改善神经网络分类器的可靠性和可拓展性。该方法的有效性在 125 个 UCI 数据集、两个概率基分类器和两个大型深度学习结构的视觉任务中得到了证实，并能够检测 - 变形测试：一种生成下一个测试用例的新方法
该文提出了一种新的测试用例选择技术，从成功的测试用例中派生新的测试用例，以揭示可能被遗漏未检测到的软件错误，并在生产阶段中帮助发现软件错误，在没有测试奥秘的情况下使用。
- AAAI使用路径排名方法指导图嵌入，用于在嘈杂的知识图谱中进行错误检测
本文研究知识图谱中可能存在的噪声问题，并提出混合模块化的方法进行错误检测和关系表示，对两个基准测试和一个实际的生物医学出版物数据集进行比较分析，展示了处理噪声知识图谱时图形嵌入技术的潜力和见解。
- 自回归结构预测中的不确定性估计
本论文研究基于概率集成框架实现自回归结构化预测任务中的不确定性估计，并提供了 WMT'14 英语 - 法语、WMT'17 英语 - 德语翻译和 LibriSpeech 语音识别数据集上的基准测试结果。
- CVPR利用语义嵌入为安全关键应用增强
本文提出了在神经网络分类器中使用 Semantic Embeddings 来增加自省和错误检测能力，使用从符号领域知识中创建语义嵌入表示，提出了一种简单的错误检测方案，并引入了语义距离概念。通过在交通标志分类器上评估，发现语义距离能够达到接 - IBM Quantum Experience 中的容错逻辑门
本研究通过 [4,2,2] 码空间内的随机贝叶斯协议观察到硬件上实现的弱点，进而说明了在编码空间中进行量子计算可以检测错误的益处，并通过实验证明了纠错门对保护量子信息的效果。
- 机器学习程序分析 - Ariadne
使用静态框架 WALA 对使用 TensorFlow 的机器学习代码进行静态分析和数据流分析，以跟踪张量的类型和用法，提高 Python 机器学习代码的错误检测能力。
- 通过图像变形的不变性获得信心
本文介绍了一种自动检测预先训练的视觉分类器中分类错误的技术，该技术是对分类器形式不可知的，并且仅需要访问对一组输入的分类器响应。我们使用由来源于同一输入的多个分类器响应生成的表示的参数二元分类器 (错误 / 正确) 进行训练，每个分类器都受 - 使用深度卷积神经网络解码和可视化人类观察者的脑电图信号中的机器人动作成功签名
研究深度卷积神经网络在配合 EEG 信号用于识别人机交互中的机器人错误检测时的准确率，表明深度卷积神经网络是一种可靠的 EEG 解码技术工具。
- BoostClean: 机器学习自动错误检测与修复
本文介绍了一种全自动检测和修复域值违规数据的方法，并使用统计提升算法自动选择最佳的错误检测和修复组合以提高模型准确率，实验结果显示，BoostClean 在多个数据集中表现优异，可以使预测准确率提高高达 9%。
- 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。
- 神经误差检测模型的辅助目标
通过神经序列标记方法探究不同的辅助目标和训练策略在学习者写作错误检测中的实用性；实验结果表明，采用多目标联合学习和领域内平行标签可以提高模型性能，而不增加参数量。