deep-neural-networks

本文提出了一种基于马尔钦科-帕斯图尔随机矩阵的深度神经网络剪枝方法，提供了理论保证，并在 ImageNet 上对 ViT 和 CNN 架构实现了高精度保持，仅需极少的微调。

提出了一种数学上严格的框架——变分推断的深度证据学习（VI-EDL），通过变分推断重新表述传统深度证据学习，推导出证据下界，建立泛化界，并在视觉和医学数据集上实现了最先进的性能，以解决传统深度证据学习的局限性。

本文介绍了CAFD，一种基于学习的DNN故障检测方法，它整合了基于模型、基于距离以及一种新颖的基于概念的特征——概念失败率（CFR），该特征源自视觉语言模型。CAFD在多个数据集和预算下的故障检测率方面持续优于最先进的基线方法。

本文对用于数据保护的神经正切泛化攻击（NTGA）进行了全面分析，包括相关攻击的分类，并讨论了未来的研究方向。