- 基于得分的生成模型的可证明鲁棒性研究：一个不确定性量化的视角
通过不确定性量化的视角，我们证明基于得分的生成模型对实际实现中的多重误差具有可靠性。利用 Wasserstein 不确定性传播定理，我们展示了有限样本近似、提前停止、得分匹配目标选择、得分函数参数化表达能力以及参考分布选择所导致的误差如何影 - 愿噪声与你同在：没有对抗样本的对抗训练
我们的研究目的在于探究一种不依赖对抗样本训练的对抗训练模型方法，通过在神经网络模型的层中嵌入高斯噪声以引入内在的随机性，并通过优化参数时考虑到随机性，我们证实了在正态分布训练下获得的随机体系结构模型在对抗环境中具有鲁棒性，并且发现所用的高斯 - FG-NeRF: 基于 Flow-GAN 的概率性神经辐射场用于独立假设无关的不确定性估计
利用 Flow-GAN 提出了一种无独立性假设的概率神经辐射场模型，通过结合对抗学习的生成能力和正则化流的强大表达能力，显式地建模整个场景的密度 - 辐射分布，实现了最先进的性能，并在合成和真实数据集上预测更低的渲染误差和更可靠的不确定性。
- 钢化后座椅的细节
我们对调和后验进行了详细研究，揭示了许多关键但以前未讨论过的问题。与以往结果相反，我们首先证明，在逼真的模型和数据集以及对后验的紧密控制情况下，随机性一般情况下不会提高测试准确性。最低温度通常是最优的。人们可能认为，带有某些随机性的贝叶斯模 - 鲁棒贝叶斯张量分解与零膨胀泊松模型及一致性聚合
高维计数数据中的零膨胀方向提取高质量因子的新方法以及结合一致性元分析的调整，成功在合成和真实的单细胞 RNA 测序数据中获取相关的基因表达程序。
- 多智能体验证与控制的概率模型检验
概率模型检查是一种在不确定性或随机性背景下对软件或硬件系统进行形式化自动推理的技术。该技术综合了来自多个领域的思想和技术，包括逻辑、自动机理论、图论、优化、数值方法和控制。最近，概率模型检查还扩展到整合博弈论中的思想，特别是使用随机博弈模型 - 基于等变模型的机器人抓取学习
该研究提出一种称为 Symmetric Grasp learning 的方法，可以实现端到端训练，在硬件噪声和抓取动态难以处理的情况下，仅进行不到 600 次尝试即可从零开始学习抓取任务。
- CVPR利用特征级随机平滑提高对抗鲁棒性
通过引入随机性提高神经网络决策边界的平滑性并排除低置信度的预测，从而提高对抗样本的鲁棒性，并结合对抗检测方法以实现更好的效果。
- 利普希茨正则化变分自编码器生成差分隐私合成数据
本文探讨了使用具有随机性生成模型的方法来实现隐私保护数据生成，通过将深度模型的连续模数限制在适当的范围内以获得隐私保护，并实验证明了其有效性。
- 利用实时仿真的内在随机性促进机器人操纵的强化学习
使用实时模拟的本地随机性在强化学习中得到应用可以改善域随机化技术的性能和稳健性能，进而在机器人操作中实现更好的泛化和相对低的启发式随机化水平，解决了实际应用中如机器人操作的模拟到现实世界的差距问题。
- ICLR数据增强价值的探究：关于规模定律、不变性和隐式正则化的调查
本文旨在研究数据扩展的机制，通过评估增强数据与额外真实数据之间的交换率发现，多样而不一致的增强数据可以比额外的训练数据更有价值，在小和中型训练集上，鼓励不变性的数据扩展可以比不变性本身更有价值，并证明了增强数据在训练过程中引入额外的随机性， - 平均集成：提升领域泛化中的模型选择和性能
通过在训练过程中对模型进行平均和模型集成的方法，提出了一种新颖的领域泛化模型，能够显著提高模型的稳健性和泛化能力。同时，通过应用偏差 - 方差平衡的理论，解释了该方法有效性的原因。
- 高效视频预测的精准格点学习
该论文提出了一种新的网格关键点学习框架，通过引入随机性，生成长期高质量预测，有效地降低计算资源消耗，并在机器人辅助手术数据集上验证了该方法的有效性。
- 利用梯度符号随机失活器优化深度多任务模型
本文提出了一种名为 GradDrop 的概率掩码过程，旨在优化多任务和迁移学习设置下的多损失训练，并揭示最优多损失训练与梯度随机性之间的联系。
- EMNLP模仿情感的同理心回应生成
本文介绍了一种基于情感的信息传递方式，利用极性情感聚类和情感模仿策略，使用混合情感的随机性，提高文本情感生成的情感准确性和情境相关性。
- 基于随机引入的动作转换技术用于机器人在仿真中学习
分析了用 Grounded Action Transformation 算法来解决 sim-to-real 问题的局限性，因为它们没有明确考虑到目标环境中的随机性，提出了 Stochastic Grounded Action Transfo - ICLRDrNAS: Dirichlet 神经架构搜索
该研究论文提出了一种新的可微分架构搜索方法，通过分布学习问题来加以实现，并将连续松弛的架构混合权重视为随机变量，以 Dirichlet 分布进行建模，通过路径导数优化 Dirichlet 参数，并采用渐进学习方案消除了不同 iable NA - 利用生成对抗网络进行随机超分辨率，在时间演化大气场上进行下采样
介绍了一种基于生成对抗网络的重复随机超分辨率 GAN，该 GAN 可以应用于低分辨率气象数据，生成时间演化的高分辨率气象数据。
- CVPR一项批处理白化随机性调查
本文研究批量白化（Batch Whitening），提供了一个可用于不同场景下的批量白化算法设计及比较框架，并通过 ImageNet 数据集分类和生成对抗网络训练的应用实践验证了所提出算法的有效性和稳定性。
- ICMLDropout 的隐式和显式正则化效应
本文研究了 dropout 正则化方法的两种作用：修改预期训练目标的明显作用和训练更新的随机性所导致的额外的隐含作用。通过对实验的控制和分析，提出了可以替换 dropout 的简化分析正则化器。