- 验证深度学习对于超出分布领域的泛化能力
通过使用 DNN 验证技术，我们引入了一种新的方法来识别具有稳健泛化能力的 DNN 决策规则，并在真实世界环境中进行了广泛评估，为部署 DNN 驱动系统提供了新的验证目标。
- RCDN：基于动态特征的三维神经建模实现鲁棒相机不敏感的协同感知
通过构建协同神经渲染场表示恢复多个代理发送的失败感知消息，提出了一种新的鲁棒性相机不敏感协同感知方法，解决多摄像机失败视角引起的问题，同时稳定高协同性能并降低标定成本。
- ICML免模型强化学习中的 $φ$- 散度使用离线和在线数据
鲁棒的 φ- 正则化马尔可夫决策过程（RRMDP）框架的关键贡献是提出了无模型算法，通过历史数据和在线采样来学习最优的鲁棒政策，并在高维系统中进行了理论保证。
- 通过向量化核混合（VecKM）的线性时间和空间局部点云几何编码器
提出了一种新颖的本地点云几何编码器 VecKM，具有描述性、高效性和鲁棒性。VecKM 利用向量化的核混合来表示本地点云，这种表示具有描述性和鲁棒性，通过两个定理证实了其重构和保持本地形状相似性的能力。此外，VecKM 是首次成功尝试将计算 - Diff-Reg v1：用于配准问题的扩散匹配模型
建立可靠的对应关系对于 3D 和 2D3D 对准等任务至关重要。为了解决大变形、尺度不一致和模糊匹配问题所带来的挑战，本文引入了一种用于建立鲁棒对应关系的扩散匹配模型，在双随机矩阵空间内将对应估计视为去噪扩散过程，逐步去噪（细化）双随机匹配 - 通过锥优化的鲁棒支持向量机
使用混合整数优化技术得出一种新的损失函数，使之比现有方案更好地逼近 0-1 损失函数，同时保持学习问题的凸性，具有与标准支持向量机相竞争的性能，且在存在异常值时表现更好。
- 算法鲁棒预测聚合
通过建立一个算法框架，我们提供了一种高效的逼近方案，用于在具有有限信息结构的情况下进行预测聚合，同时考虑了 Lipschitz 条件和离散条件。数值实验表明，我们的方法在所考虑的情景中能够提供几乎最优的聚合器。
- 鲁棒的物理信息神经网络
我们介绍了一种鲁棒版本的物理启发式神经网络（RPINN）来近似求解偏微分方程（PDEs），该方法利用能量范数计算的残差和格拉姆矩阵的倒数构建了损失函数，在两个空间维度的拉普拉斯问题和对流扩散问题中进行了测试，结果表明 RPINN 是一种鲁棒 - AAAITDeLTA: 一种基于学习文本布局的轻量级和稳健的表格检测方法
用一种新颖的、轻量级的基于学习文本排列的稳健表格检测方法 (TDeLTA)，通过对文本块的排列模拟、文本分类和注意力机制，实现了准确定位表格，并具有强大的鲁棒性和可迁移性。
- 基于螺旋理论的确定性点云配准中的转换解耦策略与重力先验
通过利用螺旋理论，将原始的四个自由度点云配准问题分解为三个子问题，并提出了一种新的转换解耦策略，以提高计算效率和准确性。这种方法可以有效处理重度异常值对应的点云配准问题。
- 噪声图像的鲁棒图聚类通过元加权
我们提出了元学习图聚类方法 MetaGC，借助可分解的聚类损失函数以及元权重调整机制，能够对存在噪声边的图进行鲁棒的聚类，相较于现有的基于图神经网络的方法在各种噪声程度下的实验中，MetaGC 表现出更好的性能。
- 鲁棒和共轭高斯过程回归
通过使用广义贝叶斯推理，在几乎没有额外成本的情况下进行可靠的、鲁棒的、共轭的高斯过程回归，实现对高斯过程回归的可靠性和不确定性的确切推断。
- 任意不确定输入的高效鲁棒贝叶斯优化
本文介绍了一种新颖的稳健贝叶斯优化算法 AIRBO，它可以在任意输入不确定性下有效地识别表现稳定良好的稳健最优解。我们的方法通过在高斯过程中使用最大均值差异 (MMD)，直接建模任意分布的不确定输入，并通过 Nystrom 近似加速后验推理 - 跨数据集鲁棒的盲目现实世界图像质量评估方法
基于强健的训练策略、大规模真实世界数据集和强大的骨干网络，本研究设计了一个强健的盲图像质量评估方法，通过基于不同真实世界 BIQA 数据集训练多个基于 Swin-Transformer 的模型，并联合使用这些有偏差的模型生成伪标签，使用两个 - 形状锚引导的室内场景整体理解
该论文提出了一种形状锚点引导学习策略（AncLearn）来实现强大的室内场景理解。通过在检测阶段为生成可靠的提案提供可靠的特征，并在重建过程中直接提供具有良好结构的几何先验来降低噪声和离群点，将 AncLearn 嵌入到一种纯实例导向的重建 - 一种使用源原型的健壮负学习方法应用于部分领域适应
本文提出了一个鲁棒的部分领域自适应（PDA）框架，通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈，减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同，我们的方法通过源样本原型和高 - 带噪声标签的正则截断 M 估计学习
本文提出了一种新的方法，使用截断的 M 估计器来自适应地选择小损失的样本，并减少噪声标签对其的影响，同时利用丢弃的大损失的样本来帮助泛化，理论上证明了该方法具有容忍标签噪声的特性，经验上，全面的实验结果表明该方法在多种基准模型上表现出色，并 - GAFAR：基于图注意力特征增强的快速轻量级的点集配准算法
本篇论文提出了一种基于点云 CNN 和注意力机制的点云配准方法，考虑了点云的自旋转性和排列不变性，并证明了该方案在鲁棒性、效率和通用性方面的优越性。
- 基于解释的微调使模型对虚假线索更加鲁棒
本文提出了基于解释的微调作为一种缓解大型语言模型依赖错误相关的新颖通用方法，并在人工构建的训练集上微调模型，使其更加强壮。与标准微调不同，我们不仅仅针对输入进行预测，还微调模型以生成支持其答案的自由文本解释。与标准微调相比，我们的方法在四个 - 建立值得信赖的人工智能的关键：从 AI 原则，伦理，关键要求到负责任的 AI 系统和监管中去连接关系
提出了可信人工智能的七个技术要求和三个主要支柱的构建方法，并考虑到了系统整个生命周期中的所有过程和角色的可信性。同样，还介绍了通过审核过程提高人工智能系统的责任的概念，以及为了未来社会进步而必须面对的规制辩论。