本研究探讨了深度正则化的ResNet和Transformer中的神经崩溃现象，发现经过训练的全局最优解接近崩溃状态，且随着网络深度增加，这种近似更加紧密。这一发现为深度模型的应用提供了理论支持，并在计算机视觉和语言数据集上进行了验证。

本文提出了M$^2$AD框架，旨在解决传统异常检测方法在多系统异构时间序列中的不足。该框架通过深度模型捕捉正常行为，并利用高斯混合模型和伽马校准生成全球异常评分，实验结果显示其性能比现有方法提高21%。

FedMHO框架通过在资源充足的客户端使用深度模型和在受限设备上使用轻量生成模型，解决了边缘设备在传统联邦学习中的计算与通信开销问题，提升了训练效率与性能。实验结果显示，FedMHO在多种设置下优于现有技术，展现了其在边缘计算中的应用潜力。

本研究提出了一种新方法，利用黎曼度量提升复杂深度模型的反事实解释，克服现有方法的局限性，并在实际数据集上验证了其优越性。

本文提出了一种新颖的置换不变学习框架，旨在解决深度模型中的灾难性遗忘和可塑性丧失问题。该框架基于高维粒子滤波，理论上证明了对训练顺序的不变性，并在监督学习和强化学习中显著提升了性能。

数据增强对深度模型训练至关重要，有助于防止过拟合。我们提出了GeNIe，通过文本提示的扩散模型生成具有挑战性的样本，结合源图像和目标文本。实验结果表明，该方法在有限样本类别中有效。

本研究介绍了LRDif，一种用于嵌入式显示相机的人脸表情识别的新扩散框架。LRDif结合深度模型和变形器，有效识别UDC图像中的情绪标签，解决噪声和畸变问题。在RAF-DB、KDEF和FERPlus数据集上表现优异，为FER应用发展设定了新基准。

本研究提出了一种深度模型，能在极少的像素点处获得 RGB 图像的已知深度情况下，精确地生成密集深度图，并能在 NYUv2 和 KITTI 数据集上实现近乎实时速度的室内/室外场景的高质量深度点云。与其他稀疏到密集深度方法相比，在每 ~10000 个像素中仅有一个像素的情况下，我们的深度估计准确度比现有最新算法还要高，仅在图像 1/256 的像素上估计，我们的精度就相当于消费级深度传感器的性能，本研究说明了将稀疏深度测量高效地转换成高质量的密集深度图是完全可能的。

本研究提出了一种新的训练策略，利用深度模型的建模能力。通过两个分离模型，一个是深度生成模型，另一个是基于浅层基函数的模型，预测系统输出。学生模型通过保持与教师模型学习的表示空间一致，继承了教师模型的逼近能力。仿真结果表明，该方法在非线性基准测试上表现良好，同时具有算法透明性和结构效率。

本研究提出了一种判别生成蒸馏方法以解决深度模型的隐私泄露问题，实验结果显示该方法在隐私保护和准确性方面表现出色。

本文提出了一种基于RGB-D视频的深度模型，用于自动活动识别。该模型使用3D卷积和最大池化算子，结合激活函数和学习出的时间结构。它可以直接对原始输入进行活动分类，并动态调整模型结构以适应人类活动的时间变化。该方法在挑战性场景下验证了其优越性，并提供了一个大型的RGB-D视频人类活动数据库。

通过AHDI技术，使用面部表情作为主要工具，将面部视频编码为RGB图像，并应用深度模型进行视频表征，引入了自动疼痛强度估计方法。在两个任务上取得了令人鼓舞的结果，提高了疼痛评估的精度。

通过AHDI技术，使用面部表情作为主要工具，将面部视频编码为RGB图像，并应用深度模型进行视频表征，引入了自动疼痛强度估计方法。在两个任务上取得了令人鼓舞的结果，提高了疼痛评估的精度，提供了更好的疼痛管理。

该论文介绍了一种名为ISO的新方法，用于预测室内场景的占据情况。该方法利用深度模型进行准确的深度预测，并引入了双特征视线投影模块来增强学习。实验结果表明，该方法达到了最先进的性能。

本文介绍了一种名为RGM的深度模型，用于稀疏和密集匹配。通过生成具有较大间隔的光流监督，构建了一个包含稀疏对应关系真值的新的大规模数据集。通过在大型混合数据上学习匹配和不确定性估计，提高了RGM模型的泛化能力。在多个数据集上实现了零样本匹配和下游几何估计的卓越性能。

本研究介绍了一种专为嵌入式显示相机中的人脸表情识别而设计的新型扩散框架LRDif。通过应用深度模型和变形器的能力，LRDif有效地识别UDC图像中的情绪标签，并在FER数据集上展示了最先进的性能。该工作解决了UDC挑战的差距，并设定了新的基准。

研究了量化技术在深度模型中的鲁棒性优化问题，发现量化模型易受自然噪声和系统噪声影响，有助于提升模型稳健性和真实场景部署。

研究人员发现深度模型容易受到普适性对抗贴片攻击的影响，攻击者通过贴片增加模型的计算量和功耗。标准对抗性训练防御方法可以减少攻击成功率，但需要采用自适应高效的方法降低深度模型的功耗并开发更好的防御方法。

本文研究了深度模型在表格数据上的归纳偏差问题，提出了AMFormer变形器结构，并通过实验验证了其在表格数据建模、训练数据效率和泛化能力方面的优势。