- 利用特权信息的健壮合拢预测
我们开发了一种方法，用于生成预测集，其覆盖率在训练数据中存在缺失或噪声变量等损坏情况下是健壮的。我们的方法基于符合性预测，这是一种强大的框架，用于构建在独立同分布假设下有效的预测集。重要的是，简单地应用符合性预测在这种情况下不能提供可靠的预 - TSVR+：带特殊信息的双支持向量回归
在机器学习领域中，数据可能包含称为特权信息（PI）的附加属性，特权信息的主要目的是辅助模型训练，并利用所获得的知识对未知样本进行预测。支持向量回归（SVR）是一种有效的回归模型，然而由于解决一对约束下的凸二次问题（QP），它的学习速度较低。 - 基于特权医学成像信息的域泛化学习
使用特权信息（如肿瘤形状或位置）来预测光学相干断层扫描中内层视网膜流体的严重程度，使深度学习模型在超出分布数据上的分类准确率从 0.911 提高到 0.934，为其他需要泛化的医学问题的特权信息使用提供了一个强有力的起点。
- 有限域上的知识传递的基本限制
通过特权信息的不同级别，加速从教师到学生分类器的知识传递效率并且使学生能够获得课程上的优势信息。
- Pi-DUAL：利用特权信息区分干净和嘈杂标签
Pi-DUAL 是一种利用特权信息来减轻标签噪声的简单、可扩展和实用的方法，通过将输出的逻辑分解为基于传统输入特征的预测项和仅受特权信息影响的噪声适配项，Pi-DUAL 能够自适应地在这两个项之间切换焦点，从而使模型隐性地区分干净标签和错误 - IJCAI利用特权信息增强伪标记及其在原位测序图像中的应用
本文提出一种半监督学习的策略，通过使用先验信息（privileged information）对教师伪标记（teacher's pseudo-labeling）进行增强，解决空间转录组学中对原位测序（In-Situ-Sequencing）图 - 从实验室到野外：基于特权信息的情感建模
本研究介绍了一种处理真实情境中情感模型训练时的限制性因素的新方法 —— 特权信息，该方法通过利用多模态数据进行模型的训练，然后使用仅包含原始视频帧的数据进行模型测试，实现了情感交互模型在真实情境中的推广应用
- 基于特权时间序列文本的蒸馏提高基于文本的早期预测
本文主要介绍了一种基于 LuPIET 的时间序列模型来进行文本预测的方法，借助被忽略的特权信息以提高模型性能，并应用于临床和社交媒体文本的早期预测任务中，结果表明该模型的性能更稳定有效，是第一项在 NLP 领域使用特权信息进行时间序列建模的 - ICML使用特权信息来解释标签噪音的转移和边缘化方法
该论文提出了一种新的监督学习方法 TRAM，通过权重共享传输特权信息以及在测试时大致消去特权信息来解释标签噪声，从而降低对噪声标签的有害影响。该方法可在不增加测试时间成本的情况下有效地应用于各项基准测试。
- AAAI利用特权信息的共生注意力进行自我中心动作识别
本文提出一种新的 Symbiotic Attention 框架 (SAP) 来应用于使用特权信息的视角视频的识别，利用定位感知的对象检测特征来帮助理解演员与对象的互动，并结合新颖的生物共生注意力 (SA) 来加强动作分类的互动，实现了在两个 - 作弊学习
本文提出了一种基于视觉的自主行驶系统的训练方法，通过两个阶段的训练，先使用有特权的信息训练代理，再使用纯视觉信息训练传感器驱动代理，最终取得了在 CARLA 基准和 NoCrash 基准测试中的优异成绩。
- 使用特权信息的度量学习进行人物再识别
本文介绍了一种基于逻辑判别度量学习算法，能够在人物视角发生大量变化的情况下实现人物重新识别，通过在训练期间利用辅助信息同时利用原始数据和辅助数据来完成度量学习，可以用于单视角和多视角任务
- 利用对抗性判别式模态蒸馏技术学习含特殊信息的数据
本研究针对深度学习中的异构数据模态问题提出了一种新的方法 —— 基于对抗学习与特权信息框架下的 RGB-D 视觉任务的幻象网络训练方法，旨在从深度和 RGB 视频中提取信息，使得在测试时，只需要使用 RGB 数据即可。这一方法在 NYUD - ICCV自适应 SVM+：使用特权信息进行域自适应学习
本文提出了 Adaptive SVM + 的学习范式，利用特权信息来进行视觉识别任务的域适应设置，取得了在 Animals with Attributes and INTERACT 数据集上的最新成果。
- CVPR基于特权信息的深度序列动作识别 RNN 的学习和优化
本文提出了一种基于特权信息（PI）的深度序列动作识别方法，通过多任务学习将 PI 作为辅助任务引入，提高了模型的鉴别能力和训练效果。
- CVPRMIML-FCN+: 基于全卷积网络与特权信息的多实例多标签学习
本研究提出基于特权信息的多实例多标签卷积网络 (MIML-FCN+)，利用包级别特权信息以及卷积层的灵活性，提高多目标识别应用的效果。实验表明，该网络优于现有的最先进方法。
- IJCAI使用特权信息训练群组正交神经网络
本文提出了一种新的组正交卷积神经网络（GoCNN），可以利用提供的特权信息在每个层内学习解缠绕表示，并有效地增强表示多样性。实验证明，GoCNN 模型可以提高深度卷积神经网络在图像分类任务中的性能，并仅使用 10％的特权信息即可实现这一目标 - 利用特权信息的一类支持向量机及其在恶意软件检测中的应用
本文提出了一种新的一类分类方法，可以在训练阶段考虑到特殊信息，并使用合成数据集和公开数据集进行性能评估。
- IJCAI具有特权信息的转移哈希
提出了一种名为 THPI 的新框架，其中将 Iterative Quantization (ITQ) 扩展为一种转移学习方式，即 ITQ +，通过利用辅助数据学习新的松弛函数，来处理哈希中的数据稀疏问题，并使用交替优化方法进行求解。通过在几 - 统一蒸馏与特权信息
本文介绍了一种被称为 generalized distillation 的机器学习框架，它将蒸馏和特权信息这两种技术统一起来，可以让机器从其他机器中学习，本文从理论和实践上探讨了该框架的内部机制，并将其扩展到无监督、半监督和多任务学习场景中