本研究提出FLUKE框架，通过最小数据变化评估模型的鲁棒性。研究发现，语言变体对模型的影响与任务相关，模型在否定修改下表现脆弱，强调了鲁棒性测试的重要性。

本文研究假音频检测中模型对未见攻击的泛化能力，提出FADEL框架，通过Dirichlet分布建模类概率，增强模型的鲁棒性。实验结果表明，FADEL显著提升了基线模型的性能，尤其在不同伪造算法下，平均不确定性与等错误率之间存在强关联。

本研究探讨了图链接预测模型在对抗性攻击下的脆弱性，特别是变分图自编码器（VGAE）的防御不足。研究表明，采用元学习技术的非加权图攻击方法显著降低了VGAE的预测性能，强调了模型鲁棒性的重要性。

本研究提出了一种分层余弦聚合方案，以解决联邦学习中的拜占庭攻击问题，增强模型的鲁棒性并保持计算效率。实验结果表明，该方法在图像分类任务中的准确率提高了最多16%。

本研究提出了一种掩膜图像一致性和差异学习（MICD）框架，旨在提升半监督医学图像分割的效果。该框架通过三个关键模块增强了上下文感知和模型鲁棒性，显著提高了小样本学习能力。实验结果表明，该方法在多个公共医学图像数据集上优于现有技术。

本研究探讨了半监督学习中伪标签过滤的缺陷，提出了一种不确定性意识的集成结构（UES），并将伪标签建模为长尾权重，以增强模型的鲁棒性。实验结果显示，该方法在多个数据集上显著提升了模型性能。

本研究提出了一种基于可解释人工智能的框架，旨在检测和缓解医疗领域深度神经网络中的误导性模型行为。通过样本和像素级的数据标注，成功识别并减轻了偏见，从而提高了模型在实际医疗任务中的鲁棒性。

本研究提出了一种基于深度学习的早期预警信号（EWS）方法，旨在有效预测疾病爆发。通过模拟不同噪声下的疾病动态，模型展示了在多种情境下的鲁棒性，具有重要的现实意义和应用潜力。

本研究探讨了大型预训练语言模型在标准数据集上表现良好但在对比集上表现不佳的问题。通过引入复杂的对比集进行训练，提出了一种提高模型鲁棒性的方法，使其在对比集上的准确率接近90%。强调了多样化和挑战性训练数据的重要性。

本研究利用大型语言模型提取EEG信号中的个体无关特征，解决了零样本预测能力不足的问题，增强了模型的鲁棒性和可推广性，对脑-机接口领域具有潜在影响。

本研究提出了一种名为梯度一致性过滤（GAF）的方法，以提高分布式深度学习优化中的模型鲁棒性。该方法通过计算微梯度的余弦距离，过滤冲突更新，减少梯度方差，提升验证准确率，并显著降低噪声标签的记忆现象。

本研究探讨了音乐生成模型训练中的水印技术，以解决未经授权使用版权内容的问题。结果表明，水印数据显著影响模型输出，尤其在水印样本比例和模型鲁棒性方面，显示音频水印技术在保护创作内容上具有重要潜力。

本研究提出了一种基于讽刺的对抗样本生成方法（IAE），旨在提高情感分析系统的安全性。该方法通过将简单句子转化为讽刺句子，挑战现有模型的鲁棒性，揭示其对讽刺语言的脆弱性，并表明人类在理解讽刺方面的优势。

本研究提出了一种新型的“Cog Attention”注意力机制，允许负权重以提高表达能力。该机制通过动态的QK内积，灵活处理令牌的删除、复制与保留，增强模型在表示崩溃情境下的鲁棒性。实验结果显示，Cog Attention模型的性能显著优于传统的softmax注意力模块。

该研究提出了一种新颖的图神经网络方法（GNN-CFGD），旨在解决噪声和稀疏标签对半监督节点分类性能的影响。通过粗细划分和图重构，该方法有效减少了噪声标签的负面影响，提升了模型在真实场景中的有效性和鲁棒性。

本研究提出了一种新的训练框架“循环保形方法”（CitL），旨在解决大规模数据集中类别不平衡和标签噪声问题。该方法通过评估样本不确定性、调整权重和剔除不可靠示例，提高模型的鲁棒性和准确性。实验结果表明，CitL在噪声和不平衡数据集中的分类准确率提高了6.1%。