- MNIST 手写数字图像的修剪
我们提出了一种两阶段深度学习方法，用于识别手写数字，通过过滤失真和模糊图像来改善分类准确度，并在测试数据集上达到 99.5% 的准确率。
- 噪声鲁棒性神经网络架构
通过将神经网络架构中的每个自由参数表示为不确定性间隔，并对每个输入元素应用线性变换，我们提出了一种神经网络结构（土丘神经网络），用于识别普通嘈杂图像而无需在训练数据中添加任何人造噪音。通过对 MNIST 数据集的简单土丘神经网络的应用，我们 - 使用 t-SNE 可视化的 GAN 生成手写图像与 MNIST 图像的比较研究
本研究对使用 MNIST 数据集训练的 GAN 生成图像的质量进行了探究，使用 t-SNE 可视化比较生成图像与原始图像的差异并提出了一种实用的评估方法。
- 量子机器学习用于图像分类
本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步 - 朝向可组合的潜在空间扩增分布
提出了一种基于变分自编码器架构的可组合的潜在空间图像增强框架，它使用一种新方法将增强应用于潜在空间本身的线性变换，这使得变换可以轻松组合或反转，并且可以通过转移潜在空间来修改性能，为研究人员和实践者提供了更大的控制和几何可解释性。
- 机器学习系统分类性能分析的大偏差
研究机器学习二分类技术的性能，使用基于基于数据驱动的决策函数（D3F）的统计测试，根据大偏差理论表明在适当的条件下，分类错误概率随着可用于测试的观测数量呈指数形式消失，并提出了两个不同的近似误差概率曲线的方法，并根据 MNIST 数据集测试 - 基于 RISC-V 工具链和敏捷开发的开源神经形态处理器
本文提出了一种低功耗神经形态计算处理器 —— 文曲星 22A，采用了 RISC-V SNN 扩展指令版本 1.0、简化漏电积分 - 火灾（LIF）模型和二元随机脉冲时序相关可塑性（STDP）等技术，将 SNN 计算单元集成到通用 CPU 流 - 多项式网络完全正确性验证
通过新的边界方法，我们提出了一种名为 VPN 的算法，具有全局收敛保证，可在 MNIST、CIFAR10 和 STL10 数据集上进行经验证的完整 PN 验证，其关键洞察是我们获得比 IBP 和 DeepT-Fast 更紧密的边界。
- ProBoost: 概率分类器的增强方法
本文提出了一种新的增强算法 ProBoost，它利用每个训练样本的认识不确定性确定最具挑战性 / 不确定性的样本，从而使得下一个弱学习器的相关性得到提高，生成一个逐渐聚焦于具有最高不确定性的样本的序列。此外，还介绍了三种操作训练集的方法和两 - 技术报告：基于全体群体知识对齐协助后门联邦学习
本文提出一种利用联邦学习（FL）模型信息泄漏强化早期注入的单次后门攻击的方法，即在 FL 模型收敛时注入后门攻击。作者提出了一个两阶段后门攻击，通过预备阶段对本地数据进行分布推断攻击并基于推断结果制定本地数据集，以及在注入后门攻击时根据 F - ICML联邦不学习：如何高效删除 FL 中的客户端？
在保护用户隐私的前提下，提出了一种联邦学习模型中去除任意客户数据的方法，即通过执反向梯度下降法使局部经验损失最大化，以解决被遗忘权 (DP) 的问题，并在 MNIST 数据集上进行了实验验证。
- 基于联想存储模型的现实世界数据分类和生成
使用 Willshaw Memory 模型和 Multiple-Modality 框架实现稀疏编码，能够储存和检索大量的现实数据，并且支持多模态同步存储与检索以及缺失模式进行推理，该框架可用于其他的学习任务。
- 使用正交梯度下降进行调试
探讨了在不必重新训练模型的情况下，如何修复部分故障的神经网络，并使用改进的连续学习算法 OGD 来进行调试，实验证明可以实现消除不良行为和重新学习适当行为的目标。
- 基于 STDP 的突触可塑性神经网络有监督学习算法
本文提出了一种基于 Spike-Timing Dependent Plasticity (STDP) 的监督学习算法，用于基于 Leaky Integrate-and-fire (LIF) 神经元的分层 Spiking Neural Net - SPICEprop：通过记忆加突触神经元网络反向传播误差
本文提出了一种完全基于 memristive spiking 神经网络的 MSNN，采用 backpropagation through time (BPTT) 学习规则训练了新型 memristive 神经元，并利用 analog SPI - ICLRHopfield 网络与受限玻尔兹曼机之间的映射
本文介绍一种精确映射，将具备相关模式的 Hopfield 神经网络转换成具备高斯隐藏变量的 Restricted Boltzmann Machines，并在 MNIST 数据集上进行实验来验证该映射对 RBM 权重的有益初始化。
- 陷禁离子量子计算机上的最近质心分类
本篇论文设计一个最近质心分类器，使用最先进的算法和量子硬件来实现量子机器学习应用，实验结果能够在 MNIST 手写数字数据集上匹配经典最近质心分类器的准确性，并在 8 维的人工合成数据上实现了高达 100% 的准确性。
- MM基于自由能原理的具身化系统的感觉运动视知觉
提出了一种基于自由能原理的具有实体系统的模型，其包括身体和注意力模型，并以 MNIST 数据集为例刻画了注意力模型的推理过程。
- ICML深度思维是否会相似？选择性对多个深度神经网络进行细粒度操纵的对抗攻击
该研究探讨了给定多个相同机器学习系统的情况下，是否可以利用一种扰动方式来同时改变这些系统的输出结果以达到预定的目的，并给出了一种新的优化问题的解决方案，证明了在 MNIST 数据集上可以简单地实现对多个 MNIST 分类器的同时操纵， 这表 - 使得学习者 (更) 单调
提出了三种算法，使监督学习模型呈现更加单调的性能表现，其中算法 MT_HT 将 MNIST 数据集上的非单调决策控制在 1% 以下，并在误差率上保持与其他基线模型的竞争力。