本研究提出Fisher合并方法，以提高模型合并的效率和性能。通过对不同数据集模型的加权平均，探讨了模型合并的潜力与挑战，并提出新的正则化方法以提升合并效果。研究结果表明，强大的基础模型和较大模型显著改善合并性能，为未来研究提供重要参考。

本研究探讨了语言模型在路径星任务中的表现不足，提出了一种新正则化方法，通过相同图的结构样本改善模型表现，证明该任务是可学习的，并为编码器模型提供了解决方案。

本文提出了一种新的半定松弛方法，以提高ReLU网络的鲁棒性，效率是现有方法的三倍。研究探讨了对抗训练的极限，并提出了新的正则化方法和防御规则项，显著提升了模型在CIFAR-10和MNIST数据集上的鲁棒性和准确性。通过大量实验验证了这些方法的有效性。

本文探讨了语言模型中的情感偏见，分析了敏感属性对生成文本情感的影响。研究发现，现有模型在新闻和维基百科语料库中存在显著偏见。提出了正则化方法以提高公正性，同时保持模型性能，并介绍了新的偏差测量数据集和评估框架，以更好地识别和减少语言模型中的社会偏见。

本文提出了一种深度神经网络模型，解决音频与图像情感对应问题。研究开发了“感觉变分自编码器”（SynVAE）和“Video2Music”框架，能够生成与视频情感匹配的音乐。实验表明生成音乐的质量和匹配度较高。此外，研究探讨了音乐生成与情感表达的关系，提出了基于音乐元素的正则化方法（MusER），并设计了客观的音乐美感测量模型。

本文研究了神经机器翻译（NMT）中不同层次的向量表示，发现高层次语义学习更有效，而低层次词性标注效果更佳。探讨了多语言翻译性能，提出基于Kullback-Leibler散度的正则化方法，构建了通用NMT系统，实现103种语言的翻译，提升了低资源语言的翻译质量。此外，研究还提出了动态位置编码方法，显著提高了翻译性能。

本文研究高维机器学习中的广义线性模型，探讨贝叶斯最优估计、模型性能评估及过拟合问题。提出新正则化方法Fishr，以提升模型的鲁棒性和泛化能力。研究表明，领域泛化算法在标签噪声下表现良好，但在真实数据集上未必优于经验风险最小化算法。

本文提出了一种新的对比学习方法，通过结合开放集样本与闭集样本，提高模型在标签噪声下的准确性和鲁棒性。研究还介绍了正则化方法和新的迭代学习框架，以解决嘈杂标签问题，实验结果表明该方法在开放集和闭集分类中表现优异。

本文介绍了隐藏流形模型及其在神经网络训练中的应用，探讨了流形假设对图像数据低维结构的影响，并提出了基于流形学习的算法以提高分类和生成建模性能。同时，研究分析了深度神经网络中的过拟合问题及其正则化方法，强调了流形假设在模型训练中的重要性。

本文介绍了改进学习算法LearningLoss++，通过精确分析梯度和结合多尺度特征，提升人体姿势估计性能。同时，研究了对抗训练算法的泛化性能，提出了正则化方法DLoss和优化非可微损失函数的新方法，探索了对抗训练数据增强的影响，并提出了基于松弛损失的训练框架RelaxLoss，以增强模型的鲁棒性。

本文探讨了神经网络中的损失可塑性问题及神经坍塌现象。研究表明，层归一化和权重衰减技术能够有效维持网络的可塑性，提升学习算法的稳健性。同时，神经坍塌现象会影响模型的泛化能力和优化能力，提出的正则化方法可以缓解可塑性丧失。

本文评估了神经网络的概率校准，比较了多种校准方法。研究发现，正则化方法在概率校准和锐度之间提供了良好平衡，而修正方法则表现出更优的校准性能。分位数校准作为一种修正方法，具有有限样本覆盖的优势。此外，提出了后处理校准方法和新的评估指标，以提升模型在不同任务中的校准效果。

本文介绍了一种新颖的提示调整算法，旨在提高开放领域对话生成的效果。该算法在性能上优于传统方法，并显著减少了参数需求。同时，研究提出了基于扰动的正则化方法，以稳定训练并提升准确性，实验结果在多个基准测试中超越现有技术。此外，多任务提示调整方法在自然语言处理任务中表现出色，展现了强大的泛化能力。

该论文提出了一种正则化方法来训练健壮的 GAN 模型，提高泛化性能和稳定学习动态方面的有效性。实验证明该方法在有限的训练数据下表现更好。

该文介绍了一种可解释的深度学习模型，通过正则化方法提高网络的稳健泛化能力。研究表明，正则化方法可以强制网络忽略损坏数据，在未损坏数据集上达到 100% 的准确性。此外，该模型还可以通过逐渐抹除记忆表示来降低过拟合风险。

本文提出了一种使用正则化方法处理 Variational Recurrent Autoencoder 中 latent variables 过于随意造成的语言模型崩溃问题，能够学到可解释的 latent variables 并生成多样化和有意义的句子。该方法优于多个强力 baseline，且不需要使用其他 KL 退火策略。