- 元森林：元学习下的随机森林域泛化
提出了一种名为 “meta-forests” 的新颖领域泛化算法，通过引入元学习策略和最大均值差异度量，来增强分类器的泛化能力，减少树之间的相关性并增强其强度。结果表明，meta-forests 在对象识别和葡萄糖监测数据集的泛化性能方面优 - DRStageNet：由眼底图像进行的糖尿病视网膜病变分级的深度学习
糖尿病视网膜病变是糖尿病的常见并发症，与视力丧失的显著风险相关。在这项研究中，我们提出了 DRStageNet，这是一个用于处理分布转换问题的深度学习模型，通过引入多源领域微调策略来提高 DR 分期算法的泛化性能，并展示了与其他基准模型的优 - 流形增强：将混合正则化与 UMAP 结合
深度学习模型的数据增强技术在提高性能方面发挥重要作用。本文提出了一种叫做 UMAP Mixup 的混合正则化方案，用于深度学习预测模型的 “在流形上” 自动数据增强。该方法通过利用一种称为统一流形逼近和投影的降维技术，确保 Mixup 操作 - ICLR使用梯度词汇选择优化神经网络
深度学习中的梯度词典选择方法通过演化方法结合梯度下降和词典选择，改进了各种广泛使用的深度神经网络在图像分类中的泛化性能。
- 关于参数化的二阶优化方法适用于无限宽度
通过提出一种特定的参数化方式，我们通过一步更新梯度和合适的超参数尺度来提高特征学习的鲁棒性，从而在大规模模型中加速深度神经网络的训练，并实现了更高的泛化性能。
- 基于贝叶斯优化的课程学习提升自主驾驶深度强化学习方法的环境鲁棒性
通过贝叶斯优化进行概率推理的课程学习方法在自主赛车避障领域表现优于基准的深度强化学习代理与手工设计的课程。
- 元学习中的任务混淆攻击
通过结构因果模型分析任务中的潜在因素，并提出一种基于因果关系的元学习方法 MetaCRL 来消除任务中的混淆因素，从而提高元学习的泛化性能。
- HumanNeRF-SE: 视觉低潜能指向 数字摄录（数字视频）的全校人类作为吸引：多姿势的简单高效办法
HumanNeRF-SE 模型通过使用显式和隐式表示的人体结构，结合一般映射和特定映射过程，能够以少量输入合成任意姿势的图像并提高合成速度，同时具有更好的性能、更少的可学习参数和更短的训练时间。
- 视觉强化学习泛化的可靠双向过渡模型表示
基于可靠的双向预测环境转换能力，我们引入了一个双向转换（BiT）模型，从视觉观察中提取可靠的表示形式，展现出了竞争力的泛化性能和样本效率。
- 基于扩散的域延伸用于通用语义分割的泛化方法
通过扩展域的方法进行无目标数据的模型泛化，在各种数据集和结构上的性能大幅提升，为领域适应和泛化性能带来了重要突破。
- AGD：一种使用逐步梯度差分的自动可切换优化器用于预调整矩阵
我们提出了一种新的自适应优化器 AGD，它利用梯度差异作为对角元素来设计预条件矩阵，并引入了自动切换功能，能够在不同场景下自动切换 SGD 和自适应优化器，实现更好的泛化性能。
- 用基于像素的图像变换破坏基于卷积的无法学习的数据集
通过随机的乘法变换和插值操作，我们成功地提出了一种抵御基于卷积的无法学习数据集的全新图像破坏方法，有效地抑制了基于卷积的无法学习数据集中的乘法噪声的影响，并且在实验证明我们的方法对于这种类型的数据集是最有效的。
- 提升车道检测泛化性能：一种利用高精度地图提升多样性的新框架
通过将数据分解为车道结构和周围环境，利用高清地图和生成模型增强多样性，本文提出了一种用于车道检测的单源域泛化（SSDG）的新框架，通过策略性选择核心子集数据来增强泛化性能，实验证明该框架提高了车道检测的泛化性能，与基于域自适应的方法相当。
- 语言建模中的跳跃学习
在对大规模过参数化的语言模型进行预训练时，我们提出了一种简单的路由机制，用于为不同的标记分配不同数量的计算量，从而显著改善在上下文少样本学习中的性能。这种方法在 24 个自然语言处理任务上进行了全面评估，证明相对于竞争性基准，该方法能够显著 - TEA: 测试时间能量调整
通过引入一种新的能量模型视角，我们提出了一种新的测试时间适应方法（TEA），该方法可以增强模型对目标数据分布的感知能力，提高模型的泛化性能。对多项任务、基准和架构的广泛实验证明了 TEA 相对于现有方法的优越性能，深入分析表明 TEA 能够 - 子网络集成
本论文介绍了一种低成本框架用于构建子网络集合，通过从已训练的母模型中采样、扰动和优化子网络的方式形成子网络集合，研究发现该方法可以显著提高训练效率、参数利用以及泛化性能，同时最小化计算成本，通过利用深度神经网络的潜力来构建更好的系统。
- 基于基础模型的医学图像分割的域外鲁棒性
构建一个强健的模型，能够在分布转变的情况下有效地泛化到测试样本，在医学影像领域仍然是一个重要的挑战。本研究通过对基于自然图像和文本数据进行预训练的视觉和语言基础模型进行 fine-tuning 后的鲁棒性评估，证明了基于基础模型的优越性。此 - 关于插值信息准则的 PAC-Bayesian 观点
深度学习在理论和实践之间存在理论实践差距，最近的研究关注了过拟合现象及其影响因素，提出了插值信息准则来研究过参数化模型的性能和泛化能力。
- 基于 Retinex 分解的零样本增强低光图像
本文提出了一种基于学习的零参考低光增强方法，称为 ZERRINNet，通过利用 N-Net 网络、RI-Net 网络和纹理损失来解决低光图像增强中的亮度恢复、对比度、降噪和颜色失真问题，实现对训练数据的泛化性能的大幅提升。该方法经过在自制真 - MixUp-MIL：基于线性和多线性插值数据增强的组织切片图像分类研究
通过数据增强技术的线性和多线性插值方法，本文研究了应用于数字全玻片图像分类的多实例学习方法，研究结果表明方法的效果受数据集的影响很大，提出了进一步研究的相关方向。