- AAAIOVD-Explorer：噪声环境中的探索不应仅仅是乐观的追求
在探索嘈杂环境中，乐观导向探索为基础，对高噪声区域的过度探测进行了缓解，提出了一种噪声感知的乐观探索方法－OVD-Explorer，通过梯度上升推动探索，在连续控制强化学习任务中取得了优越的结果。
- 评估噪声对量子神经网络的影响：实验分析
该研究对噪声对量子神经网络的影响进行了全面分析，研究了 Mottonen 状态准备算法在各种噪声模型下的表现，并研究了量子状态在多层量子神经网络中的退化。此外，该论文评估了噪声对预训练量子神经网络性能的影响，并强调了噪声模型在量子计算中所带 - TACRED 关系分类数据集中的噪声：特征化与减少
本文旨在探索基于模型的方法来表征 RE 数据集 TACRED 中噪声的主要原因，并识别潜在的噪声实例。通过分析预测结果和 SOTA 模型的性能，我们发现 TACRED 数据集中的噪声主要来自被标记为无关系的实例。针对第二个目标，我们探索了两 - 智能驱动增强学习的鲁棒性评估
采用奖励机制的智能驱动增强学习的鲁棒性问题需要进一步研究以加强当前先进的增强学习方法并达到应用于关键任务的状态。
- 几何校准的 DRO: 通过自由能量 implication 对抗过于悲观
通过灵活利用数据的几何形态与最小风险优化算法相结合，本研究提出了一种新型的校准方法 —— 几何校准分布鲁棒优化 (Geometry-Calibrated DRO，GCDRO)，该方法减轻了噪声样本的影响，理论分析和广泛实验证明了其相较于常规 - 可学习的滤波模块增强交通预测
基于噪声的轻量级可学习滤波模块用于提高交通预测准确性。
- 农业环境中的嘈杂三维重建：基于贝叶斯优化的视角规划
基于几何准则和贝叶斯优化算法的 3D 重建方法，考虑到噪声的存在，能够使用少量相机在存在噪声的农业环境中进行准确的 3D 重建。
- 三维点云的边缘感知学习
该研究提出了一种创新的层次感知三维点云学习（HEA-Net）方法，通过关注边缘特征来解决点云数据中的噪声问题，改善物体识别和分割。该方法结合了边缘感知的概念，使用具有边缘焦点的局部和全局嵌入的本地和全局网络学习范式的独特融合，以提升对点云的 - 探究学习系统中信息熵变化的影响
通过向输入 / 潜在特征添加噪声，探讨了熵变对深度学习系统的影响。实验结果表明，特定类型的噪声可以提升不同深度架构的性能，并通过降低信息熵来理论上证明增益，进而在大规模图像数据集上展示了显著的性能提升。
- 多尺度储备计算学习噪声诱导的转变
利用噪声驱动的转换现象的机器学习模型，储层计算（一种递归神经网络）能够学习噪声引起的系统状态转换，通过调整关键的超参数，包括储层动力学的时间尺度，生成准确的转换时间和数量的统计数据，适用于多种系统和蛋白质折叠实验数据，表明机器学习方法可以捕 - 基于课程学习的模型无关网络推断增强从噪声测量中
我们提出了一个优雅而高效的框架，通过结合课程学习来增强噪声存在下网络推断模型的性能，该框架能够适用于多种基于模型和不基于模型的网络推断方法，并在合成和真实网络中进行了广泛的实验验证。
- 学习具有噪声的光学物理不可复制函数的多项式界限及与学习误差的关联
光物理不可克隆函数（PUFs）是可以在任意精度下以任意高概率进行学习的类，即使在存在噪声的情况下也能做到，并且只需要多项式数量的挑战 - 响应对和多项式限制的计算能力，这在对噪声和挑战向量的分布做了温和的假设之下成立。
- 噪声神经通信中的内在权衡：基于排序编码
通过研究发现，基于排名编码的一种时间编码形式是解释哺乳动物大脑快速能力的一种有前途的方案。然而，在噪声环境下，对于排名编码的性能仍存在不确定性。本文揭示了基本可能的信息速率和可能存在的权衡，并发现在某种情况下会出现一类特殊错误，其数量与噪声 - 光学和场景流的注意力多模态融合
通过使用深度神经网络，并在不同的网络级别中应用自注意力机制以及交叉注意力机制，我们提出了一种名为 FusionRAFT 的方法，实现了早期传感器模态（RGB 和深度）之间的信息融合，以解决 RGB 信息不可靠的问题，在主动配准中取得了比最近 - 预训练语言模型是否能在噪声下从损坏子词中推导出正确语义？
本研究提出了一种名为 CoLeS 探针的子词分割评估框架，它提供了关于噪声下的多种分割破坏的系统分类及评价规则，实验证明预训练语言模型对完全不同的子词、小的子词碎片或大量附加子词的噪声较为敏感，尤其是当它们被插入其他子词中时。
- 化学专利中针对反应提取的 BERT 照应解析模型的压力测试
本研究旨在探究在无噪音和有噪音环境下，代词消解模型在化学专利的反应文本中的性能差异，以及我们在多大程度上可以提高该模型对噪音的鲁棒性。
- 学习鲁棒和一致的时间序列表示：基于扩张 Inception 的方法
本文提出了一种新的采样策略和编码器架构，用于强化噪声下的连续序列的一致表示学习，实验结果表明，该方法在预测、分类和异常检测任务方面的表现始终优于现有方法。
- 关于自动发音障碍语音评估可靠性的研究
自动化失语症评估可以开发低成本而有效的工具来解决手动和主观评估的当前局限，但目前的方法是否依赖于与失语症相关的说话模式或外部因素尚不清楚。本文研究噪音对记录的失语症的影响，设计并实现了一种新的方法来可视化和比较特征提取器和模型，使用 UA- - 基于机器学习的焦虑检测中噪声效应的比较研究
通过比较不同程度的噪音对生理唤醒分类问题分类模型的影响，该研究探讨了为什么和如何以前的方法失败，并分析了噪音对每个模型结构的影响，从而开发出对噪音环境具有鲁棒性的模型，适合于日常生活的喧嚣。
- 从非常嘈杂和混杂的语音中识别关键词
本文提出了一种新的 Mix Training（MT）策略，用于探测嵌入在强干扰和混合语音中的低能量关键词，使用卷积神经网络（CNN）和 EfficientNet（B0/B2）架构，实验结果在 Google 语音命令数据集上表明，提出的混合训