标签
Flow-JEPA 引入了一种条件流匹配方法到 JEPA 世界模型中，提高了在嘈杂条件下预测未来潜在状态的鲁棒性和准确性。
SnapBench引入了一个配对干扰基准测试，用于移动端稳健的即拍即问多模态检索，揭示图像噪声是关键降级因素，并提出一种自适应融合方法以增强模态可靠性。
本研究提出了一种新的对抗训练方法，利用低秩Householder展开消除输入梯度需求，从而在降低计算成本的同时，实现与标准技术在小扰动条件下相当的鲁棒性。
本文审计了大型语言模型在临床疼痛语音转录中的拒绝和编造行为，发现权威框架提示会导致如Gemini 2.5 Flash和Llama 3.1 8B等模型产生自信编造，而合作提示则显示出稳健的弃权行为。
本文评估了在标签稀缺和缺失数据条件下表格模型的自监督预训练，发现效果混合但在测试时缺失情况下有可靠改进。
本文介绍了一个用于审计事后可解释人工智能工具（如SHAP和LIME）的鲁棒性与保真度的方法框架，将这些指标结合成一个信任评分。该框架应用于马达加斯加的粮食安全数据集，强调了在敏感领域中审计XAI输出对于可信赖决策的必要性。
本文实证研究了词汇扰动如何通过Attention Diversion破坏大语言模型推理，发现字符级噪声显著降低性能，而填充插入则影响甚微。
本文介绍了AnTrap，一个评估Android GUI代理对运行时异常稳健性的基准测试，揭示了普遍漏洞，并区分了可学习的陷阱与内在推理限制。
本文提出雅可比引导噪声注入，一种通过向预注意力logits注入噪声来增强大语言模型量化鲁棒性的训练策略，噪声方差源自雅可比范数，在低比特量化设置中实现显著的性能增益。
本文介绍了一种用于多元时间序列数据鲁棒水印的局部令牌化生成模型，通过使用有界时间邻域进行令牌恢复来解决后编辑攻击下的可靠性问题。
本文提出了一种迭代代理校正框架，旨在通过优化语言代理来提升在处理不完整或损坏输入时多模态情感分析的鲁棒性，从而改进情感预测。
本文介绍了一种故障感知的对抗检索增强框架，利用上下文强盗来提升自然语言理解的鲁棒性，并在SNLI、ANLI和MultiNLI等基准测试中取得了显著改进。
MissDiag 引入了一个诊断评估框架，该框架将 KGQA 和 KG-RAG 系统在不完全知识下的鲁棒性分解为类型化证据干预，以实现更可解释的比较。
本文评估了当代码库受到语义保持转换干扰时，AI代码代理的鲁棒性，揭示了一个崎岖的前沿，其中模型性能在不同的框架和基准测试中不可预测地变化。
RoBell-RVFL 是一种鲁棒的随机神经网络，使用广义贝尔隶属函数来处理类别不平衡和噪声数据，在基准数据集上取得了卓越的性能。
本研究论文探讨数据扰动如何影响高效AI推理中模型级联的准确性和鲁棒性，识别关键失败模式，并强调在分布偏移下进行评估的必要性。
本文介绍了用于分子转变路径采样的随机控制策略（FS-TPS 和 LaS-TPS），这些策略提高了在多种生物分子系统中的稳健性和性能。
提出动作条件预测一致性（ACPC），这是一种JEPA世界模型的诊断方法，用于衡量在动作条件展开中干净观测与扰动观测如何发散，并为预测误差和规划器成本提供理论界限。在多个视觉控制任务上的实验验证了该诊断在LeWM和PLDM等模型上的有效性。
本文介绍了 Wiggle 框架，这是一种针对 LLM 裁判认识论稳定性的统一压力测试，涵盖 14 项任务，衡量机械一致性、单轮信念与多轮持久性。研究发现，所有 9 个受研究的前沿模型在压力下都会大幅翻转判决，且成功的压力通常相对于基准真相而言具有净破坏性。