本研究提出了一种新型的神经架构搜索方案（NAS-BNN），通过设计搜索空间和引入训练策略，解决了现有二进制神经网络（BNN）架构设计中的性能差距问题。实验证明，该模型在多个操作条件下超越了以前的BNN，在ImageNet和MS COCO数据集上取得了显著的准确性和检测性能。

该文章介绍了一种通过贝叶斯学习的视角考虑深度神经网络的对抗训练的方法，并提出了一种具有可证明保证的贝叶斯神经网络（BNN）的对抗训练的原则性框架。该方法在MNIST、FashionMNIST和CIFAR-10上训练出可证明鲁棒性的模型，并用于不确定性校准。这是第一次直接训练可证明的BNN，可在安全关键应用中部署。

本文介绍了一种基于贝叶斯学习的对抗训练方法，提出了可证明保证的贝叶斯神经网络框架。该方法在MNIST、FashionMNIST和CIFAR-10数据集上训练出鲁棒性模型，并用于不确定性校准。这是第一次直接训练可证明的BNN，有助于在安全关键应用中的部署。