本研究提出了一种深度弃权分类器（IDAC），旨在解决图像基础的诊断决策支持系统中的标签噪声问题。IDAC通过集成噪声水平估计，展现出比传统分类器更强的噪声鲁棒性，为开发准确可靠的诊断系统提供了新工具。

本研究提出了一种基于CBM3D滤波的多尺度梯度融合方法，旨在解决彩色图像边缘检测中的细节损失问题。实验结果表明，该方法在噪声鲁棒性和边缘质量方面优于传统技术。

该研究提出了一种高效的实时卷积神经网络（CNN）用于滚动轴承故障诊断，具有噪声鲁棒性和实时处理能力。通过Fisher频谱可分离性分析，模型精度提高15.8%，在不同噪声和转速条件下表现优异。研究强调振动数据在故障分类中的重要性，并探讨了模型开发的实际应用。

本文提出了一种新的相位恢复框架，利用深度生成神经网络建模自然信号，优化经验风险目标。该方法在稀疏性和噪声鲁棒性方面优于传统方法，并探讨了相位恢复的稳定性、唯一性及其实际应用的有效性。研究中还提出了多种算法，包括基于中值的相位恢复算法，能够处理稀疏异常值数据。

该文章提出了残差超维计算框架，结合残差数系统和高维向量代数，能更有效地处理数值数据，表现出良好的噪声鲁棒性。该框架还提供了关于脑中网格细胞计算操作的可能解释，并提出了新的机器学习架构。

本文介绍了一种基于图神经网络的知识桥接学习方法（KBL），用于解决深度学习模型中数据需求过大的问题。通过构建桥接图和知识传递，KBL方法不受强假设限制且对源数据的噪声具有鲁棒性。实验证明，在有限数据场景中，Bridged-GNN方法显著提升了性能。