- 朝着对大幅扰动有抵抗力的深度学习模型
本文提出了一种网络权重初始化的方法，使其能够在更高噪声水平下学习，同时评估了在 MNIST 和 CIFAR10 数据集上增强对抗噪声对学习范围的影响，并通过对简单多维伯努利分布的理论结果进行研究，提出了一些关于 MNIST 数据集可行扰动范 - 通用 - 特定低秩分解的高效领域泛化
该论文提出了一种名为 CSD (Common Specific Decomposition) 的算法，它能够对神经网络的最终分类层进行修改，从而实现领域通用性。CSD 不仅能匹配目前领域内最先进的方法，还可以在领域消除、领域扰动数据增强和元 - MMSiamese 神经网络的解释方法
本文提出一种新的解释孪生神经网络的方法，使用嵌入层级别的原型与特征向量进行比较，应用自编码器重构输入数据并在 MNIST 数据集上进行了数值实验。
- ICLR通过深度模型集成增强可证明的鲁棒性
本文提出了一种算法，通过优化加权基本模型，对深度模型群集的认证稳健性进行增强，实验结果证明了该算法可以形成比 naive 平均所有可用模型更为稳健的群集，并且通常具有更好的准确性。
- 持续无监督表征学习
本研究提出了一种名为 CURL 的方法，用于解决无监督的连续学习问题，通过学习动态的任务表示，以应对任务标识的缺乏，探索了任务之间的突然变化、平滑过渡和数据乱序等不同情况，并在 MNIST 和 Omniglot 数据集上证明了其强大性能。
- ICCV将视觉艺术转化为音乐
本研究提出的 “感觉变分自编码器”(SynVAE)，在没有配对数据集的情况下学习视听感性模态之间的一致映射，并对 MNIST 和 Behance 艺术媒体数据集进行了数量和质量方面的评估，结果表明 SynVAE 在保持跨模态潜空间一致性的同 - ICCV使用深度惩罚重建紧密对齐数百万图像
该论文提出了一种基于稠密融合的空间变换器网络和低容量自编码器的无监督联合对准方法，能够在 MNIST 和 LFW 数据集中高精度、鲁棒地对齐数百万张图像，比现有方法具有更好的对齐质量和初始鲁棒性。
- ICML通过明确的 Wasserstein 最小化，逐步半离散地训练生成网络的方法
本文提供一种简单的过程，用于将生成网络适配成目标分布，从而实现小的 Wasserstein 距离，从而逐渐将生成器网络调整为目标分布。在 MNIST 和 Thin-8 数据的训练和测试集上，实现了良好的性能。
- ICLR深度半监督异常检测
本研究提出新型的半监督深度异常检测方法 Deep SAD，并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。
- 边缘重放 vs 条件重放：面向连续学习
本文介绍了一种基于回放的持续分类学习方法，称为 “条件重放”，该方法通过从以类为条件的分布中进行采样生成样本和标签。作者将条件重放与另一种基于回放的持续学习范式（称为 “边际重放”）进行了比较，并在新的和标准的 MNIST 和 Fashio - 基于限制像素卷积神经网络的概率语义修复
该研究论文提出了一种基于 PixelCNNs 的概率语义修复方法，该方法可以学习有关给定少量像素的图像分布，从而产生多样化和逼真的修复结果，实验证明该方法在 MNIST 和 CelebA 数据集上的表现。
- NIPS加性噪声认证对抗鲁棒性
本文提出一种可扩展的用于构造对抗样本的方法，通过建立抵抗对抗扰动和加法噪声之间的联系，提出了一种训练策略，并在 MNIST 等数据集上进行了评估。
- ProdSumNet：通过和积矩阵分解减少深度神经网络中的模型参数
通过将线性操作分解为较简单线性操作之和的乘积，我们提出了一种可以减少深度神经网络可训练模型参数数量的通用框架，用于各类神经网络结构，并展示了基于该框架的算法在 MNIST 和 Fashion MNIST 数据集上的表现。此外，我们探究了一种 - 应用于模型选择的决策边界的拓扑数据分析
本文提出了标记的 Cech 复形、基本的带标记的 Vietoris-Rips 复形和局部缩放的带标记的 Vietoris-Rips 复形，来执行分类任务中决策边界的持久同调推断，旨在量化深度神经网络的复杂性以实现数据集与预训练模型的匹配，我 - 在 MNIST 上开发第一个具有对抗鲁棒性的神经网络模型
提出了一种使用单独的学习类条件数据分布来执行分析合成的新型鲁棒性分类模型，其在 MNIST 数据集上对 L0，L2 和 L 无穷小扰动都具备最先进的鲁棒性，攻击结果在正常类和对抗类之间呈现明显的感知边界。
- NIPS具有松弛玻尔兹曼先验的离散变分自编码器
本研究探讨将 Boltzmann 机器生成式模型松弛为连续分布，使得可以使用更紧的重要性加权下界（importance-weighted bound）用于离散自编码器（discrete VAEs）的训练，并且在 MNIST 和 OMNIGL - 通过辩论实现人工智能安全
通过采用自我对弈的零和辩论游戏的方式来训练智能体，以此作为人类判断的替代，来实现 AI 系统对于复杂任务的精准输出，并讨论了辩论模型的理论和实践方面的问题。
- ICLR局部内在维度对特征对抗样本子空间描述的限制
本文研究了使用局部内在维数来刻画深度神经网络对抗性样本的子空间，针对存在的局限性作了实验验证，结果表明 LID 能力有限。
- AAAI对抗性扰动下的降噪字典学习
提出了抗击对抗性扰动的较为简单而有效的技术 —— 去噪字典学习 (Denoising Dictionary Learning, DDL)。在 MNIST 和 CIFAR10 数据集上，利用不同的深度神经网络结构对其进行评估，并对经过 DDl - 用多尺度张量网络学习数据的相关特征
本文介绍了受物理中粗粒化方法启发的相似算法如何适用于数据，并基于分层树张量网络，在输入维度和数据集大小的线性比例上进行缩放，使用无监督算法计算大多数层，然后仅针对 MNIST 和 fashion-MNIST 数据集的顶层进行监督分类的优化，