- 预训练骨干网络对息肉分割的普适性
探索了预训练骨干网络在自我监督方式下对息肉分割性能的影响，发现使用 ViT-B 骨干网络的模型通常比使用 ResNet50 骨干网络的模型表现更好。研究结果表明，在考虑泛化能力时，ResNet50 骨干网络的模型通常表现更好，尽管在用于微调 - 头皮脑电图中癫痫检测的机器学习算法临床应用的系统评述
机器学习算法应用于癫痫检测已显示出很大的诊断潜力，但少数已发表的算法尚未完全解决成功临床转化的要求。
- 改进和评估法医足迹匹配的机器学习方法
我们提出了一个机器学习流程用于法庭鞋印模式匹配，改进了现有方法的准确性和泛化能力。通过边缘检测从鞋印扫描中提取 2D 坐标，并使用迭代最近点（ICP）对两个鞋印进行对齐。然后，提取相似度指标来量化两个鞋印的匹配程度，并使用这些指标训练一个随 - 香港动物物种分类的主动学习模型
使用相机陷阱监测动物是生态学家全球使用的一种高效且无创的方法，通过深度学习和计算机视觉的最新进展，可以自动化这一过程，但是在将这些模型应用于世界其他地方独立收集的图像时，存在着泛化性的障碍。在此，我们使用深度主动学习工作流程，并训练一个适用 - 基于音频对比的精细调整
使用对比学习的可转移性，引入音频对比微调（AudioConFit）作为一种高效方法，既能适应训练数据（避免过拟合），又能在新领域中实现良好的推广效果，通过实证实验在各种音频分类任务中证明了该方法的有效性和稳健性，取得了各种设置下的最新成果。
- 贝叶斯不确定性加权损失用于改善结肠息肉分割任务的泛化能力
通过使用贝叶斯方法来降低隐式偏差并关注代表性不足的样本区域，该研究在多中心息肉分割数据集上展示了改进泛化能力的潜力，同时保持先进性能。
- 基于深度学习的 ICU 早期预警的普适性：一项回顾性实证评估
本研究使用四个数据来源的数据，评估深度学习模型在不同医院的准确性，在模型性能方面，多数据来源模型表现相当，明确优化模型的方法并没有显著提高性能。
- 通过测试时间神经网络聚合进行迁移学习
本研究提出了一种新的转移学习方法，利用网络聚合解决深层神经网络领域偏移问题和之前学习知识的灾难性遗忘问题。我们证明了所提出的方法在测试时不需要任何额外训练步骤即可学习模型聚合，减轻了转移学习的负担。
- 一项基于计算机视觉挑战的深度学习息肉检测和分割方法通用性评估
本研究使用机器学习技术对多中心和多人群结肠镜图像中出现的息肉进行检测和分割，并分析了表现最好的团队的结果，发现准确性高于即时性能，并提出了需要提高模型泛化性来应对多中心数据集中的多样性的观点。
- 基于伪相关反馈的密集检索查询表示：重现性研究
本文研究了基于稠密循环器的 Pseudo-Relevance Feedback (PRF) 方法，并探讨了其在不同情况下如何提高搜索效果，包括训练过程、推理过程和使用不同的稠密循环器。
- 前馈神经网络学习挑战的微分拓扑视角
本文介绍了如何使用微分拓扑理论来解决 Deep Neural Networks 理论中的三个最基本挑战：表达能力，优化能力和泛化能力，特别是利用流形的微分拓扑模型来阐述 DNN 的损失函数、深度和宽度之间的交互，以及如何通过应用商拓扑来捕捉 - COLING将复制和复现与 NLP 中的泛化能力联系起来：针对目标依赖性情感分析的三个复现研究
本研究旨在解决自然语言处理中重复性和普适性问题，并以目标相关情感分析为例，证明最近该领域的工作缺乏足够的代码共享和方法描述，缺乏对数据的可比性和泛化性。研究人员运用三种互补方法进行了第一次再现研究，并在六个不同的英文数据集上进行了第一次大规 - HDM-Net: 通过学习变形模型的单目非刚性三维重建
本篇论文提出了一种基于神经网络的混合变形模型网络 (HDM-Net) 来解决单目非刚性三维重建的问题，并利用多种状态下的知形状非刚性变形结构进行网络训练，通过纹理依赖表面变形、着色和轮廓等多种重建线索得到一个非常普适的结果。