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。

研究人员提出多种置信度估计技术来解决大型语言模型的事实准确性问题。实验显示，隐藏状态探针提供了最可靠的置信度估计，但需要权重和训练数据。模型在语义等效输入下的置信度不稳定，表明模型参数化知识的稳定性有待提高。

该论文提出了一种协同增强模型，通过标准化支出数据降低标签变异性，确保建模稳定性，预测用户游戏消费无需用户标识，保护隐私。模型在融合用户偏好和游戏特征前分别表示它们，作为支出预测模块输入。实验结果显示，离线数据提升17.11%，在线测试提升50.65%，强调了稳定模型训练框架在移动游戏消费预测中的重要性和有效性。

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。研究者引入多项式变换器，并提供使用HE进行安全推断的示例。模型在性能上与传统方法相当，填补了变换器之间的差距，突出了HE的可行性。还评估了模型的稳定性，并进行了消融实验。

本文介绍了一种新的方法，通过在视频层面上以度量为基础的方式来增强数据域广义化中反欺骗性能。研究结果显示，该方法在模型的稳定性和泛化能力方面取得了更好的结果，并能提升模型的泛化能力。通过在多个数据集上的评估，该方法在偏差、方差、HTER和AUC等指标上超过了现有的最先进方法。

本文介绍了一种新的视频层面上的度量方法，用于增强数据域广义化中的反欺骗性能。该方法通过利用不确定性测量来提升模型的稳定性和泛化能力，并在偏差、方差、HTER和AUC等指标上超过了现有的最先进方法。

设计隐私保护深度学习模型是挑战，同态加密是有前景的方法，可以解耦模型和数据所有者。研究者引入多项式变换器，并提供同态加密安全推断示例。模型性能与传统方法相当，填补了变换器差距，突出同态加密可行性。研究者还评估了模型稳定性，并进行了消融实验。

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。