- 特征映射协调：增强对抗鲁棒性的图卷积方法
深度神经网络对对抗性扰动的脆弱性引起了重大的安全关切，本研究提出了一种创新的插拔模块称为基于特征图的重构图卷积（FMR-GC），通过在通道维度上谐调特征图以重构图，并采用图卷积捕获邻域信息，有效校准污染特征，与先进的对抗训练方法相结合，显著 - LLM 动态自适应特征生成
通过采用大型语言模型和特征生成提示的新方法，我们提出了一种动态自适应的特征生成方法，提高了特征生成过程的可解释性，并扩展了在各种数据类型和任务上的适用性，相比现有方法具有更高的策略灵活性。一系列实验证明我们的方法明显优于现有方法。
- 通过开放集识别和未知样本检测的进展实现知情决策
机器学习技术为数据提供更深入和实用的洞察力，帮助企业做出明智的决策；此研究提供了一种算法来改善开放集识别任务中的分类，通过探索特征空间的新表示方法，提高了分类的准确性。
- SynCDR: 用合成数据训练跨领域检索模型
在跨领域检索中，我们提出了一种简单的解决方案，通过图像之间的保留类别的翻译，在不共享训练数据的情况下生成合成数据，从而提高跨领域检索模型的准确性。
- 基于快速决策边界的离群检测器
提高了 Out-of-Distribution 检测的效率和效果的平衡，通过使用特征空间、决策边界和不需要辅助模型的方法，实现了与现有方法相媲美甚至更好的效果，并且在推理延迟方面几乎没有明显的开销。
- ConR：用于深度不平衡回归的对比正则化器
提出了 ConR，一种对深度不平衡回归问题进行有效处理的方法，它通过在特征空间中模拟全局和局部标签相似性，并且通过先进的方法显著提升了现有方法在三个大规模深度不平衡回归基准上的性能。
- 快速自适应的测试时间防御与鲁棒特征
通过投影训练模型到最稳健的特征空间，降低对非稳健方向的敌对攻击的脆弱性，提出一种容易与任何（稳健）训练过程集成的新颖自适应测试防御策略。
- 无需目标域标签，如何评估领域自适应模型？一种无监督领域自适应评估指标
本文提出了一种称为 Transfer Score 的度量标准，它通过评估分类器的空间均匀性、特征空间的传递性和区分度，实现了无监督评估域自适应模型的功能，并在公共数据集上进行了广泛的实证研究，证明了 Transfer Score 度量标准在 - 基于随机森林多轮筛选的超高维多类别数据特征空间降维方法（RFMS）
本研究提出了一种名为基于随机森林多轮筛选 (RFMS) 的新方法，它可以有效地应用于多通道生物特征数据的身份验证问题，并在许多方面具有行业标准特征筛选方法的优势。
- ICML图神经网络的特征扩展
本研究通过矩阵空间分析，系统地研究了空间模型与谱模型对于特征空间的影响，理论分析表明特征空间由于重复的聚合而趋向于线性相关，为此，我们提出了特征子空间展开和结构主成分等方法来扩展特征空间，实验表明我们的方法有效并能够提高收敛性能。
- CVPR通过反向特征投影在连续学习中保留线性可分性
提出了 Backward Feature Projection (BFP) 方法用于解决持续学习中的灾难性遗忘问题，并通过学习线性变换来让新特征更具可塑性，从而保持了旧课程的线性可分性并允许新类的出现，实验证明 BFP 方法极大提高了模型性 - CVPRStyleRF: 零样本 3D 神经辐射场风格迁移
提出了一种具有更高 3D 风格转移质量的 StyleRF 技术，该技术在辐射场的特征空间内进行样式转换，实现了准确的几何重建、高质量的风格化和具有拓展性的任意新样式的生成。
- 通过受限代理学习控制深度序数分类的类布局
本文提出了一种基于约束代理学习方法的深度顺序分类技术，该技术可通过硬或软的代理调整方式控制特征空间中的布局，从而有效捕捉顺序特性并提高分类精度。
- 通过重要性重采样进行语言模型数据选择
本文介绍了一种基于重要性重采样的数据选择算法，该算法可以在减少特征空间的基础上从大型无标签数据集中选择与目标分布匹配的样本子集。在训练通用领域（例如维基百科）和特定领域的语言模型时，该算法能够显着提高模型的性能。
- 目标检测的对象制作定向攻击
本文提出了一种新的针对对象检测的有针对性攻击模式，该模式可以通过特定目标标签 “制造” 额外的虚假目标，同时提出了基于双重注意力的特征空间攻击方法以实施所提出的有针对性攻击模式，该方法在 Faster RCNN 和 YOLOv5 模型中优化 - 具有结构化世界模型的样本高效机器人学习
研究利用特征空间和世界模型提高机器人在可变形物体折叠任务中的学习效率和性能，结果发现使用特征点可以将最佳模型的性能提升 50％，学习效率也可以得到提升。
- COLING简洁为上：恢复意图特征子空间以提高自然语言理解模型鲁棒性
该研究提出了一种新模型 RISK，旨在利用特征空间来避免偏见，而不是依赖于预先定义的偏见属性，取得了最新的最好性能，并能提高模型的泛化能力。
- AAAI解密随机初始化网络以评估生成模型
通过在随机网络和训练网络的特征空间中进行比较，我们发现随机网络的特征可以作为评估生成模型的一种代替，而且两种类型的特征可互补使用。
- BenchPress：一款深度主动基准测试生成器
BenchPress 是第一个可以在源代码的特征空间表征内进行控制的编译器 ML 基准生成器，通过在任何空白或现有序列的任何部分添加新代码来综合编译函数，从而与（a）CLgen，（b） CLSmith fuzzer，（c）SRCIROR m - ECCV交叉空间聚类与控制迁移的类增量学习
本文提出了基于蒸馏的目标，旨在维护先前类别的准确性并使模型学习新类别。通过利用特征空间的结构，我们讨论了跨空间聚类（CSC）和控制传递（CT）两个目标。我们的实验结果表明，在两个基准数据集上，我们的方法 (CSCCT) 一直表现出稳定的性能