在网络安全威胁时代，后门攻击防御对机器学习模型完整性和可靠性至关重要。研究者提出一种取消学习任务的方法，通过模型修剪策略识别和消除后门元素。方法简单有效，适用于数据有限的场景。评估结果显示，该方法在现实数据下更有效。

本研究提出了旋转不变卷积操作（RIConvs），通过不可学习算子提高了卷积神经网络的准确性，特别是在数据有限的情况下。

通过预测合成时间序列的频率内容，深度神经网络在数据有限和受试者少的情况下超越完全监督学习，提高睡眠分期的准确性。该方法在EEG数据有限的脑-机接口等领域广泛应用。