- 因果单元分割器:因果推断启发的多样化聚合卷积用于病理图像分割
深度学习模型可用于解决病理图像分析中的细胞核分割问题,但对于多领域的鲁棒模型训练仍然是一个巨大的挑战。本研究提出一种名为 CausalCellSegmenter 的新型框架,通过结合因果推断模块(CIM)和多样化聚合卷积(DAC)技术,克服 - 保持邻居相似性的全局鲁棒图神经网络
在这篇论文中,我们探索了异质图中图神经网络的脆弱性,并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题,我们提出了一种名为 NSPGNN 的新型鲁棒模型,它在监督邻居相似性引导传播的过程中采用了双 k - 关于强大而准确分类器的连续性
创建可靠的学习模型、了解对抗性示例现象、解释连续假设与其稳健性和准确性的不兼容性。
- 用于鲁棒性体积医学分割的频域对抗训练
本研究提出了一种基于 3D 频率域的对抗攻击方法,以提高深度学习模型在医疗图像分割中的鲁棒性,并通过引入频域一致性损失来实现模型的性能和鲁棒性的平衡。
- 动态知识编码推理
该研究提出了一种名为 RECKONING 的方法,通过双层学习算法将上下文知识整合到模型参数中,从而使语言模型更加强健,具有更好的推理能力和抗干扰性,从而提高了其多跳推理数据集的性能。
- ACL指导学习者:基于 Token 归因相似性的专家产品去偏方法控制
该研究探讨了使用 Product of Experts 算法和 fine-tuning 策略在自然语言推理和事实验证基准测试上改善避免数据偏差的训练模型对于分布外 (out-of-distribution) 数据的效果。
- 多保卫者斯塔克伯格安全博弈的鲁棒解决方案
本文提出了一个针对多防御者斯塔克尔贝格安全博弈(MSSG)的鲁棒模型,该模型可以有效提高防御者的效益,并产生鲁棒的近似均衡和 α- 核构造,吸收不确定性和扰动的影响。
- ICLR扩散虚假属性:通过虚假属性估计提高最差组准确性
本文提出了一种名为 SSA 的伪属性增强算法,通过利用带有和不带有虚假属性注释的样本来预测虚假属性并最小化最差组损失来实现对噪声数据的高效识别和分类,同时证明了 SSA 算法比使用相同数量样本的基线方法更为有效,并可达到使用更小数量标注样本 - MM鲁棒量化向量变分自编码器
本文提出了一种基于 VQ-VAE 的鲁棒生成模型(RVQ-VAE),使用两个分离的码本进行训练以处理数据集中可能的异常值,并采用加权欧几里得距离来量化数据点以确保正确的匹配,实验证明此模型能够在大量数据点受到污染时从内固定集合中生成例子。
- EMNLP构建抗干扰多轮响应选择模型的评估数据集和策略
本研究分析了开放域韩语多次对话响应选择模型的弱点,并发布了对抗性数据集以评估这些弱点。我们还提出了在这种对抗环境中构建强大模型的策略。
- ICLRAdversarial Boot Camp: 一步完成的无标签认证鲁棒性
本文提出了一种基于确定性证明的机器学习模型认证方法,通过基于正则化损失的训练,以及对高斯平均数期望值的估算,实现了在无需标签信息的情况下,针对 ImageNet-1k 数据集的模型认证,并使得机器学习模型对抗攻击具有抵抗性。
- 近线性时间高维鲁棒均值估计
本文针对高维下平均数估计的稳健模型、对抗性污染和相应算法进行研究,提出了一种基于当前猜测值参数化的 SDP 族的自然算法,并经证明该算法在次线性时间内逼近真实平均数并达到了理论误差的信息论最优解,同时认为该算法还能进一步实现高维稳健学习问题 - IJCAI课程对抗训练
本文提出课程对抗性训练 (CAT) 的方法,通过产生一系列攻击强度不同的对抗性样本,使用两种技术解决模型遗忘和泛化问题, 并证明 CAT 方法可以将 CIFAR-10 和 SVHN 的经验最坏情况精度大幅提高 25% 和 35%。同时,在非 - AAAI学习泛化:领域泛化的元学习
本文提出了一种元学习方法,通过在每个小批处理中合成虚拟测试领域,模拟训练 / 测试领域变化的过程,使用模型无关的培训程序,这种方法在最新的跨领域图像分类基准测试中取得了最先进的结果,并在两项经典强化学习任务中展示了其潜力。
- CVPR基于凸松弛的三维形状估计稀疏表示方法
本文提出了一种基于稀疏表示的 3D 形状重构方法,通过解决优化问题中的非凸性,利用单个图像恢复了物体形状,并且提出了一个鲁棒的方法来处理二维对应关系中的大量误差。实验证明该方法可用于从单个图像中恢复 3D 人体姿势和汽车模型,相较于非凸基线