研究团队揭示了大模型的“伪遗忘”现象，指出真正的遗忘需要在多个网络层发生结构性变化。通过表示空间分析，区分可逆与不可逆遗忘，强调仅在输出层“忘记”并不等于真正遗忘。研究表明，持续遗忘风险高，且可控遗忘设计可提高模型稳定性。

FRAIN是一种新型的异步联邦学习方法，旨在解决数据异构性和更新陈旧性导致的性能下降问题。通过快速同步策略和球面线性插值技术，FRAIN有效整合客户更新，提升模型的稳定性和可靠性，尤其在恶劣环境下表现优于传统方法。研究表明，FRAIN在解决客户端漂移和提高收敛稳定性方面具有显著优势。

本研究探讨了科学发现中的数据完整性与模型稳定性，提出通过水印标记真实实验数据以增强可追溯性，并提升合成数据的检测效果。研究表明，水印少于一半的真实数据仍能维持模型的鲁棒性，促进合成数据与人类内容的平衡整合。

本文提出了一种好奇心扩散器，旨在解决机器人智能中神经网络模型的不稳定性和收敛性问题，从而降低实际应用中的安全风险。该方法通过随机网络蒸馏模块评估模型行为与训练数据的一致性，显著提升了任务性能。

本研究调研了边缘人工智能中的联邦持续学习（FCL）框架，提出了基于任务特征的FCL方法分类，分析了背景、挑战及解决方案，表明FCL能够有效整合客户端知识，确保模型在动态环境中的稳定性和可靠性。

本研究提出了一种慢速与快速参数高效调优（SAFE）框架，旨在解决持续学习中的知识共享和参数冻结问题。该框架通过平衡模型的稳定性与适应性，有效减轻灾难性遗忘，并在多个基准数据集上超越现有方法。

该研究探讨了dropout作为正则化技术在不同线性分类问题中的应用，分析了其优势及与其他方法的比较。结果表明，dropout能有效提高模型的稳定性，优于传统的最大似然方法，实验结果支持其在优化过程中的有效性和收敛性。

本文探讨了多模型和多级别知识蒸馏策略，以提升持续学习中的性能并解决旧类知识遗忘问题。研究提出了Memory-Constrained Online Continual Learning (MC-OCL)和补充在线知识蒸馏（COKD）框架，并通过实验验证了其有效性，改善了模型的稳定性和准确性。

本文介绍了多种神经网络训练方法及其在偏微分方程求解中的应用，特别是Sobolev训练和基于残差的架构。这些方法显著提高了模型的稳定性和准确性，降低了训练的不确定性和计算成本。

本文研究了深度学习超分辨率方法在对抗攻击下的鲁棒性，发现现有方法表现不佳，并探讨了攻击的可转移性和针对性。提出了一种结合频域掩模和敌对样本分类器的解决方案，以提高模型的稳定性。同时，分析了深度伪造技术的检测方法及其局限性，强调了持续研究的重要性。

本文提出了一种新的分类模型相似性度量方法，研究了随机种子对深度学习模型性能和鲁棒性的影响。结果表明，随机种子的选择显著影响模型结果，并提出了优化技术ASWA和NASWA以提高模型稳定性，强调在模型训练中考虑随机性的重要性。

本文探讨了等变卷积神经网络（Equivariant CNNs）在训练强化学习智能体中的优势，尤其是在对称环境下的性能提升和样本效率。研究表明，该方法在处理具有欧几里得对称性的问题时，能够快速收敛，提高模型的稳定性和泛化能力，并在图像处理和机器人导航等任务中表现出更高的精度和效率。

设计隐私保护深度学习模型是挑战，同态加密（HE）是有前景的方法，可以解耦模型所有者和数据所有者。研究者引入了多项式变换器，并提供了使用HE进行安全推断的示例。他们在WikiText-103上进行了隐私保护的推断，在CIFAR-100和Tiny-ImageNet上进行了图像分类。模型结果与传统方法相当，填补了变换器之间的差距，突出了HE的可行性。他们还评估了模型的稳定性，并进行了消融实验。