- ICML战略分类的替代微观基础
通过引入噪音，弥补标准微观基础的局限性，提出了一种稳定的整体响应二分类的策略性代理模型，降低了社会成本的最优决策规则。
- 关于学习单周期神经元的加密难度
研究展示了学习单个周期神经元在等向高斯分布中存在噪声时的加密难度，提出了正确性证明，同时证明具有显著普适性，可应用于各种多项式时间算法，并且噪声对这种难度结果的必要性得到了证明。
- ICML通过伯努利采样进行隐私放大
本文分析了从一个多维伯努利分布中采样给定私有算法的参数的隐私放大效应，提供了计算放大因子的算法，并建立了上下界，从而平衡隐私和准确性之间的的矛盾。
- EMNLP从视觉文本表示实现鲁棒性开放词汇翻译
本文提出了使用视觉文本表示（visual text representations）替代有限的文本嵌入向量（finite set of text embeddings），以建立起使用连续词汇（continuous vocabularies） - 非凸矩阵分解的噪声梯度下降收敛于平坦极小值
本文研究了非凸矩形矩阵分解问题，通过引入噪声来解决全局极小值的不确定性，表明噪声向特定最优解施加了影响。
- EMNLP重新审视鲁棒神经机器翻译：基于 Transformer 的案例研究
本文介绍了一种名为 TAFT 的数据驱动技术，它利用 fine-tuning 策略加入噪声训练 Transformer 模型，并提出了两种新型技术 CD 和 DCD 以帮助模型更好地处理噪声，最终在英德翻译语料中实现更高的鲁棒性。
- ACL序列到序列模型能破解替换密码吗？
我们提出了一种多语言模型，用于解密简单替换密码，通过测试合成和真实历史密文，证明该方法可以在不需要明确语言识别时解密文本，同时还能抵抗噪声。
- 带有噪声标签的鲁棒联邦学习
提出了一种新的联邦学习方案，其中服务器与本地模型合作，通过交换类别的中心来保持一致的决策边界，实现了在网络中使用带有给定噪声的标签的一致决策边界。同时，还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。在嘈杂 - 分类中的噪音
本文探讨计算和统计方面的学习线性阈值的问题，特别是噪音的存在对该问题带来的影响及其应对方法。
- ICML关于标准和鲁棒高斯过程赌博优化的下限
本文研究在 Reproducing Kernel Hilbert Space（RKHS）中具有有界范数的函数的黑盒优化问题的算法无关下限，并提供了在标准噪声和各类扰动下的决策边界。
- ICML消息传递最小二乘框架及其在旋转同步中的应用
提出了一种高效的算法用于解决在高噪声和污染水平下的群组同步问题，并侧重于旋转同步；使用基于消息传递算法的方法来估计群组比率的污染水平和一种基于加权最小二乘法的新算法来估计群组元素，其中权重是使用估计的污染水平初始化并迭代更新的；在合成数据和 - 一种均场博弈的逆问题
该研究提出了一种用于重建运行成本中的基础度量和交互核的均值场游戏反问题模型，并证明了其鲁棒性和效率。
- MM神经网络中带噪声训练集的增量学习实证研究
本文研究在训练阶段中的噪声对于人工神经网络算法准确率的影响，通过数值实验表明算法的准确率更多地取决于错误的位置而不是错误的百分比，并展示了在感知机、前馈神经网络和径向基函数神经网络中，对于相同的错误百分比，算法的准确率会显著变化，并且准确率 - 一种递归循环一致性损失用于渐进式面对面合成
本文提出了一种 “循环一致性损失” 的算法，旨在克服对面对面合成领域输入外观的保留，使生成的图像质量更高，同时提出了一种新的网络架构，以实现 “自由地基于 landmark 合成脸部” 的任务。
- 量子分类器的强健数据编码
该论文研究了数据编码在量子机器学习模型中的作用，证明了其在决策边界和噪音数据处理中的重要性，并定义了鲁棒数据编码的概念，并提供了数值结果以验证所述发现。
- CVPRPointASNL: 使用自适应采样的非局部神经网络进行鲁棒的点云处理
本文介绍了一种名为 PointASNL 的新型端到端网络，旨在有效处理噪声的点云，并通过自适应采样模块和局 / 非局部模块来实现点云的鲁棒特征学习和降噪，并在各种数据集上获得了出色的性能。
- ECCV使神经网络对多种图像污染具有鲁棒性的简单方法
该研究论文证明，通过对图像识别模型进行简单但适当的高斯噪声和斑点噪声训练，可以使其具有更好的泛化能力和对不同类型损坏更强的鲁棒性，并结合敌对训练方法进一步提高性能。
- 使用噪声量子神经网络进行量子态区分
本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果，通过引入新的电路技术，并在当前的量子硬件噪声水平下对其进行验证，发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。
- 噪声作为知识蒸馏中的学习资源
该研究探讨了在协作学习框架中添加噪声的效果，提出了三种方法来解决深度神经网络中的常见问题，并表明噪声可以作为学习资源来促进协作学习。
- 通过数据增强提高神经机器翻译的鲁棒性：超越回译
本文探讨了神经机器翻译以及如何提高其对于噪声输入的鲁棒性，提出了新的数据扩充方法以及通过利用外部数据中的噪声来加强模型鲁棒性。