- 基于图神经网络的手写轨迹识别
该研究论文通过将手写轨迹特征与图神经网络相结合，评估了离线手写文本的恢复绘图顺序以及直接使用链码的在线手写轨迹，实证结果证明这种组合超过了以往的结果，并且在短时间内最小化了错误率。
- NoMIRACL: 稳健多语言检索增强生成中的不了解时知晓
利用外部知识源降低大型语言模型产生的事实幻觉，检索增强生成（RAG）通过对不同语言家族的全面评估，建立 NoMIRACL 数据集来评估 RAG 中 LLM 的鲁棒性。
- 身份验证任务中音频 - 视觉融合架构的行为分析
我们训练了一个身份验证架构，并评估了该模型合并音频和视觉表示的部分的修改，包括在要比较的两个示例中的任何一个输入缺失的情况下。我们在 Voxceleb1-E 测试集上报告的结果表明，在全模态设置和一个单模态缺失时，对输出嵌入进行平均可以改善 - 大型语言模型是否能提供安全和隐私建议？测量 LLM 反驳误解的能力
对大型语言模型在安全和隐私（S&P）领域中提供可靠建议的能力进行了研究，发现平均错误率为 21.3％，当用相同或释义的误解进行多次查询时错误率增至 32.6％；研究还揭示，模型可能部分支持错误观点或不表态，且提供的信息源包括无效的 URL - RR-CP：基于可靠区域的医学图像分类的可信级别预测
我们提出了一种新的方法，可实现用户指定的错误率下的预测，并在此约束下优化预测集的大小，从而通过有效的医学人工智能模型和人工专家之间的合作，允许在临床决策中进行高效干预和质量检查。
- 自适应学习环境中针对德语拼写的面向学生的干预措施！—— 展示数字！
通过在线实验比较，研究发现，基于机器学习的个性化学习干预可以降低学习者的错误率，但可能会导致更多的退出学习，并未显著提高用户的能力水平。
- 集成学习何时真正有效？
研究加入集成（ensembling）技术在分类任务中的性能提升问题，证明当集成模型中错误率低于集成模型间的不同率时，在学习任务中加入集成技术可以显著提高性能。通过理论和实验的方式证明这种推论，并在实践中找出集成技术适用和不适用的情况。
- 自动化设计和开发梯度下降训练的专家系统网络
本文介绍一种使用梯度下降算法训练的专家系统，将神经网络的学习能力与专家系统的可理解性和可防御的逻辑相结合。该系统能够从数据中学习模式，并在决策水平上表现出与神经网络系统相媲美的水平，同时提出了一种用于克服该方法局限性的技术。实验结果表明，该 - 面具背后：PII 掩码中姓名识别的人口统计学偏见
本文评估了三种现成的 PII 掩码系统在名称检测和删除方面的性能，发现基于 RoBERTa 的开源系统表现优于商业模型，但是所有系统都存在由于人口统计学差异而存在显著差异的错误率，特别是与黑人和亚洲 / 太平洋岛民个人有关的名称。
- 利用不可识别人脸来提高人脸识别能力
本文介绍了一个基于深度神经网络实现的面部图像嵌入方法，并提出了一种计算人脸图像可识别性的度量方法，将其应用到面部识别系统设计中，其中计算出的 “无法识别身份” 的距离被用于示例验证。在 IJB-C 身份验证基准测试中，本文方法将单图面部识别 - 用于语法错误校正的可控数据合成方法
提出两种数据合成方法来解决语法错误纠正任务中缺乏平行数据的问题，并对不同数据进行实验，结果表明错误率为 40％，错误类型的比例相同可以更好地提高模型性能。最终，合成约 1 亿数据，实现了与使用两倍数据的最新技术相当的性能。
- AAAI人机交互期间的信任和认知负荷
本文探究了人类认知负荷、信任和拟人化在人机交互中的关系，并通过 “匹配配对” 游戏测试了人们对 Husky 和 Pepper 两款机器人在高认知负荷下的信任度和其物理拟人形态以及错误率对人们的评价和行为的影响。研究发现人们的认知负荷越高，信 - 深度眼动识别：利用眼部微小运动进行生物识别
研究了基于眼动的生物识别中的非自愿微动，并提出了一种处理原始眼动信号的深度卷积网络的方法，相较于先前的工作，该网络误差率提高一个数量级，速度提升两个数量级，可以在几秒钟内准确地识别用户。
- 使用深度神经网络进行阿拉伯文标点符号标注
本研究通过对现有系统、度量和资源的批判性回顾，提供了一个可以用于基准测试阿拉伯文连字的免费清洗数据集。实验结果表明，神经 Shakkala 系统相对于传统的基于规则的方法和其他闭源工具具有更好的连字错误率表现。
- 关于数据效率与不确定性采样误差关系的研究
探究主动学习在什么情况下有效，经验和理论都表明，主动学习的数据效率与最终分类器的错误率存在强烈的反比关系，理论上，对于不确定性采样的一种变体，渐进数据效率在极限分类器的倒数误差率的常数因子范围内。
- WACA：可穿戴辅助的持续身份验证
本文介绍了一种可用且可靠的可穿戴辅助连续认证方法，该方法依靠传感器基于击键动力学获得认证数据，并在真实设备和用户上评估其性能。经实证评估，该方法误差率低，计算开销小，对于不同攻击场景均具有鲁棒性。
- KDD面向成本和误差敏感分类的软方法论
本论文提出了一种新颖的代价敏感分类方法，称为软代价敏感分类，通过多准则优化将代价和错误率相结合，可以改善现有的代价敏感分类算法，并且可以考虑加权错误率以解决不平衡分类问题。实验结果表明，该方法在测试错误率和测试代价方面都比现有的代价敏感分类 - DeepNano: 深度循环神经网络用于 MinION Nanopore 数据中碱基标记
本文介绍了 DeepNano，一种用于改进 MinION 测序平台 DNA 碱基呼叫的工具，使用精心设计的递归神经网络，与制造商提供的默认碱基呼叫者相比，我们的工具提高了碱基呼叫的准确性，这一进步可能进一步提高 MinION 在基因组测序和 - 学习漂移目标概念
本文研究了在存在漂移的目标概念的情况下的学习问题，提出了误差率的上界，并给出了一个能够适应目标概念不断漂移的算法的一般结果，其中包括了该设置的积极学习变体，并提供了得到错误率上界所需的点标签查询数量的界限。
- 关于桶旅队量子 RAM 鲁棒性的研究
本文研究了量子存储器的稳健性及其在量子搜索中的应用，发现一个逼真的错误模型需要经受超多项式查询错误率的超多项式下降。因此，本文推测对于任何实际错误模型，其错误率都必须超过多项式，特别是对于超多项式查询的算法，需要超多项式降低错误率，进一步说