2017级计算机科学与技术专业博士生白杨（指导教师：江勇）和2019级计算机技术专业硕士生严欣（指导老师：夏树涛）发表论文“对抗鲁棒模型的聚类现象”（Clustering Effect of Adversarial Robust Models）。该论文通过系统地分析基于对抗训练的对抗鲁棒模型和通过标准训练的非鲁棒模型在其线性子网络上的统计规律，在对抗鲁棒模型中发现了一个有趣的层次聚类现象。基于此，研究团队提出了一种关于对抗鲁棒性的新颖理解，并将其应用于更多任务，包括鲁棒性提升和域适应。
基于CIFAR-10数据集训练的VGG-16模型的关联矩阵图：图（a）“STD”代表非鲁棒模型，图（b）“AT”代表对抗鲁棒模型，图（c）“AT+C”代表运用层级聚类的对抗鲁棒模型, 图（d）展示CIFAR-10数据集的分层标签
2020级人工智能项目硕士生蔡元昊（指导教师：王好谦）的“基于像素级噪声感知的对抗训练学习生成逼真的噪声图像”（Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training）。该论文基于真实噪声场景定义一个像素级的噪声模型提出图像去噪方法，并提出了一个噪声可感知的对抗生成网络。
方法框架
2021级人工智能项目硕士生邵朱晨、边豪和陈扬（指导教师：王好谦）发表论文“基于深度自注意力变换网络的多示例学习算法在组织病理学图像分类中的应用”（TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classification）。该论文针对组织病理学的弱监督分类问题提出了一种新的关联性多示例学习理论，并提供了相应的证明。基于这一理论，论文进一步设计了一种基于深度自注意力变换网络的多示例学习算法，它同时探索了形态学和空间信息，可有效地处理不平衡/平衡和二元/多元分类并具有可解释性，并在三个公开的病理图像数据集上取得最优性能。
方法框架
2020级计算机技术项目硕士生许正卓、柴增豪（指导教师：袁春）发表论文“在长尾视觉识别中构建校准能力更好的模型”（Towards Calibrated Model for Long-Tailed Visual Recognition from Prior Perspective）。该论文主要关注在长尾数据监督下模型性能和校准能力较差的问题，从先验的角度提出两种解决策略同时提高模型的准确率和校准能力。
错分矩阵展示：对角线元素表示正确分类，非对角线表示错分情况，横坐标为真实标签，纵坐标为预测标签
供稿：深圳国际研究生院
编辑：李华山
审核：吕婷
2021年10月21日 10:23:17
