- 一种基于风险敏感的时序性线性二次调节器的遗憾界限
在线自适应控制有限时域周期性设置下风险敏感线性二次调节器的回避范围研究及拟合泛化条件的简化最小二乘贪婪算法
- 噪声增强 Boruta：与 Boruta 特征选择相融合的神经网络扰动
本文介绍了一种改进的 Boruta 特征选择算法，通过将噪声引入到影子变量中，以期提高特征选择的准确性。在四个公开的基准数据集上进行了严格测试，结果显示该算法优于经典的 Boruta 算法，凸显了其提高准确特征选择能力的潜力。
- 时间序列 XAI 评估技术中的扰动深入分析
本文提供了一个使用扰动分析方法来评估从时间序列模型中提取出的指标的策略，以此来有效评估评估指标质量和提供洞见，从而指导时间序列数据中的 XAI 方法的选择，例如关注回报时间而不是精度，并促进更可靠和可解释的机器学习模型的开发。
- 不对称低秩矩阵分解的梯度下降全局收敛性
本研究论文首次证明了初始化的随机梯度下降算法可以在多项式时间内收敛到具有对称和非对称特点的低秩矩阵分解问题的全局最小值，该证明基于新的对称化技术和定量扰动分析方法，并可以拓展到其他相关的非凸问题。
- ICML基于知识的自我合理化：通过抽取和自然语言解释
介绍了一种自我合理化的框架 RExC，旨在提供两种互补类型的解释（NLE 和提取合理），并将其与背景知识结合起来，从而达到了任务最新水平的性能，并大幅度领先于现有模型，同时进行干扰分析表明，解释与预测之间存在高度的关联性。
- 基于模式的张量分解：CUR 分解的多维泛化
本文研究了低秩张量逼近的两种主要张量 CUR 逼近的特性，扰动分析和高效采样策略，具有全面的理论和实证评估。
- ICLR快速且完整：使用快速且大规模并行的不完全验证器实现完整神经网络验证
使用反向模式线性松弛基于摄动分析来替代线性规划，在机器学习加速器上实现快速的神经网络形式验证，并通过快速梯度基础收紧过程的结合，有效地使用了 LiRPA。
- 可扩展认证鲁棒性及其扰动分析
本文提出了一种自动框架来使任何神经网络结构都能够进行扰动分析，通过推广现有的 LiRPA 算法，如 CROWN 操作于一般计算图上，实现了 LiRPA 基于认证防御的最新成果，同时减少了计算复杂性。
- ICCV通过极值扰动和平滑蒙版理解深度网络
本文探讨了现有扰动分析方法的一些缺点，并通过引入理论上坚实和可解释的极值扰动的概念来解决这些缺点。我们还介绍了一些技术创新来计算极值扰动，包括一个新的面积约束和一个参数化的平滑扰动系列，这些使我们能够从优化问题中去除所有可调超参数。我们分析 - 噪声矩阵补全的线性形式的统计推断
基于矩阵的噪声观测，我们构建了一个弹性框架以推断其线性形式，我们提出了一种构建渐近正常估计量的普遍过程，以进行双重样本去偏差和低秩投影，从而允许我们构建线性形式的置信区间并检验假说。
- 通过锥规划进行微分
本研究提出了一种新方法，通过隐式求解凸锥问题的残差映射的导数来高效计算解映射的导数算子及其共轭算子。
- 非凸因式分解实现保证矩阵补全
矩阵分解是一种常用的大规模矩阵补全方法，本文提出了一种理论保证，即在正则化条件下，优化算法可以收敛于矩阵分解的全局最优解，并恢复真实的低秩矩阵，其中的非对称矩阵分解的扰动分析是一项技术贡献。
- 通过交替秩 -$1$ 更新实现非正交张量分解保障
本论文提出了一种用于 CP 张量分解的交替秩 - 1 更新算法，并提供了局部和全局收敛保证，同时考虑不对称张量和噪声干扰等因素。