PASTA是一种新颖的渐进聚合空时对齐框架，通过层次表示进行特征分解，显著提升计算速度和HDR成像效果。研究表明，PASTA在视觉质量和性能上优于现有方法，推理速度提高了3倍，且在行为克隆和离线强化学习等领域表现出色，为构建鲁棒模型提供了新思路。

隐形功能型后门攻击对神经网络安全构成威胁。本文提出了一种基于扩散模型和知识蒸馏的新方法，能够在污染数据集上训练出鲁棒模型。同时，研究还提出了改进的过滤和更新策略，以提高后门攻击的注入效率，并在多个数据集上验证了其有效性。

本文提出了一种结合题意注意力机制和主题建模的鲁棒模型，用于预测文章特征分数。实验证明该模型在自动评分任务中的先进性，并探讨了自动评分模型的准确性、公平性和泛化能力，为教育中有效模型的开发提供了见解。

该论文研究了异质图中图神经网络的脆弱性，并提出了一种名为NSPGNN的鲁棒模型，通过双k最近邻图管道来解决负分类损失更新与成对相似性的负相关问题。实验证明，NSPGNN在同质图和异质图上都具有普遍的鲁棒性。

该研究探讨了机器学习模型易受攻击的问题，采用对抗培训学习鲁棒模型，但发现未被扰动的测试集上存在更高的泛化误差。研究证明更多数据可能会增加鲁棒分类器与标准分类器泛化误差的差距，并提出了理论结果以判定何时和何种情况下添加更多数据才能缩小这种差距。此现象也出现在线性回归模型中。