- KDD针对学习鲁棒分类器的伪装感知元学习
通过元学习训练图像分类器以减少对伪相关性的依赖，以实现对伪相关性的鲁棒性，同时在不知道先验信息的情况下获得了五个基准数据集上最好的鲁棒性。
- 具有可证明性能保证的弱监督学习者用于 AI 错误的修正
通过引入具有先验性能保证的弱监督的 AI 错误修正器，我们提出了一种处理 AI 错误的新方法。这些 AI 修正器是辅助映射，其作用是通过批准或拒绝某些先前构建的基础分类器的决策来调节其决策。拒绝决策可以用作建议放弃做出决策的信号。该工作的关 - 多模型大语言模型中的灾难性遗忘研究
通过将多模态大型语言模型（MLLM）视为图像分类器，并引入 EMT（用于评估 MLLM 中的灾难性遗忘）来评估现有的 MLLM 并检测到 fine-tuning 在图像分类任务上性能下降的问题。研究发现，几乎所有评估的 MLLM 在标准图像 - AdvisingNets：通过最近邻解释学习区分正确和错误分类
通过使用 AdvisingNet 和一种新的重新排序算法，将输入图像与事后最近邻解释进行比较，本文旨在提高图像分类准确性，同时提高人工智能团队和分类器的准确性。
- 非分类器扩散引导
本研究提出了一种不需要分类器的纯生成模型的分类器自由引导方法，该方法可以在条件扩散模型的训练过程中平衡模式覆盖率和样本保真度。
- MM图像解释的重要性：现实世界对抗图像中语义误分类的模式
该论文提出了一种新的方法来评估对抗样本，即基于语义误差而非标签误差，并证明了这种方法具有更高的实用性和应用性。
- ICLR深度视觉特征的自然语言描述
该研究提出了一种名为 MILAN 的程序，通过相互信息引导的语言注释对神经元进行自动标记，并可以生成细粒度的描述，以促进对神经网络的理解、分析和控制，并提供了自然语言神经元描述的三个应用实例。
- AAAI将人类反馈学习与知识工程相结合，在 Minecraft 中解决分层任务
本文介绍了一种基于人类示范数据进行仿真学习的方法以及使用人类反馈来训练图像分类器的方法，将这些模块与估算的 Odometry 地图相结合，以自然层次结构利用人类知识的强大状态机，并将该混合智能方法与端到端机器学习和纯工程解决方案进行比较。
- 平滑视觉变换器下的认证补丁鲁棒性
本文探讨使用视觉变换器在不引起重大标准准确度降低的情况下，显著提高认证补丁鲁棒性和计算效率的能力。
- 深度神经网络的噪声响应分析评估其稳健性和结构恶意软件指纹
本文提出了一种快速特征生成技术，可以对深度神经网络进行快速的安全检测，尤其是可以在几秒钟内检测出所谓的后门 (backdoors)，并且无需大量计算资源和训练数据。
- CVPRCNN 生成的图像现在还很容易被辨认出来
本研究旨在验证通过预处理和数据增强，一个经典 CNN 生成器（ProGAN）训练出的图像分类器可以很好地适应不同的 CNN 生成器体系结构，数据集和训练方法，并发现了 CNN-generated images 的一些共同系统缺陷。
- 条件生成模型的分类准确率得分
本研究使用多种类别的条件生成模型推断真实数据的类别标签，并使用分类器在真实数据上进行标签预测，提出了分类准确度评分（CAS）作为新的模型评价指标。实验证明基于自注意力模型的生成模型在 CAS 上显著优于反卷积生成对抗网络模型。
- ICLR评估神经网络对普遍损坏和扰动的鲁棒性能力
该文章为图像分类器的稳健性建立了严格的基准测试，并提出了两个基准测试 ImageNet-C 和 ImageNet-P，用于评估分类器对常见扰动和干扰的稳健性。研究发现，从 AlexNet 分类器到 ResNet 分类器，相对污染鲁棒性几乎没 - ICLR通过反事实生成解释图像分类器
通过将生成模型的条件设为图像的其余部分来取样逼真的图像填充，从而优化以找到在图像填充后最能改变分类器决策的图像区域，得到比以往更紧凑、更相关且更少艺术误差的显著图。
- MM基准测试神经网络对常见破坏和表面变化的鲁棒性
本文旨在建立图像分类器鲁棒性的严格基准，提出了 ImageNet-C 数据集，评估了常见污损图像的分类能力和表面变化鲁棒性，并探讨了提高分类器鲁棒性的方法。同时，提出了 Icons-50 数据集，旨在研究表面变化鲁棒性。通过本文的基准测试可 - AAAI图像分类器结构搜索的正则化进化
这篇文章介绍了使用进化算法自动生成图像分类器的技术，并提出了一种改进的锦标赛选择进化算法，在同样的计算资源下超过了人类手工设计的图像分类器，并在 ImageNet 数据集上取得了优异成果。
- SmoothGrad: 通过添加噪声去除噪声
本文介绍了一种基于渐变的灵敏度图可视化方法 SmoothGrad 以及其优化技术，旨在更好地理解深度网络的决策过程。
- 黑盒分类器的实时图像显著性
本文介绍了一种快速的显著性检测方法，可以应用于任何可微分的图像分类器，其通过训练掩膜模型来操纵分类器的分数，从而检测图像的显著部分，并在 CIFAR-10 和 ImageNet 数据集上进行了测试，表明其结果优于其他弱监督方法。