Selectively increasing the diversity of GAN-generated samples
Warsaw University of Technology（华沙理工大学）；CERN（欧洲核子研究组织）；Jagiellonian University（雅盖隆大学）；Tooploox
针对GAN模式坍塌导致生成样本多样性不足的问题，提出一种通过正则化损失函数选择性增加多样性的方法，在合成基准和真实物理数据上验证了有效性。
2023-06-22 cs.CV cs.LG
Turning Waste into Wealth: Leveraging Low-Quality Samples for Enhancing Continuous Conditional Generative Adversarial Networks
Nanjing University of Information Science & Technology（南京信息工程大学）；Zhejiang University（浙江大学）；University of British Columbia（不列颠哥伦比亚大学）
提出Dual-NDA方法，通过引入视觉不真实和标签不一致两类负样本改进判别器目标与CcGAN训练算法，显著提升了生成图像的视觉保真度与标签一致性，超越现有条件GANs和扩散模型。
2023-12-31 cs.CV cs.LG
RefDecoder: Enhancing Visual Generation with Conditional Video Decoding
University of Washington（华盛顿大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出RefDecoder，通过引入高保真参考图像信号提升视频生成质量，改进解码器结构以保持结构完整性，在多个基准测试中取得显著提升。
2026-05-14 cs.CV cs.LG
Crossfusor: A Cross-Attention Transformer Enhanced Conditional Diffusion Model for Car-Following Trajectory Prediction
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Texas A&M University（德克萨斯农工大学）
针对现有车辆轨迹预测模型忽略精细跟车行为与车际交互的问题，提出融合GRU、位置注意力、傅里叶嵌入与交叉注意力transformer的条件扩散模型Crossfusor，在NGSIM数据集上尤其是长期预测中优于现有最优模型。
2024-06-17 cs.AI cs.LG cs.RO
F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks
Department of Computer Engineering, Ne. C., Islamic Azad University, Neyshabur, Iran（伊朗奈什巴尔伊斯兰Azad大学计算机工程系）
针对物联网设备网络中入侵检测面临的挑战，提出F-ACVAE框架，通过选择性参数聚合实现跨设备协作训练，引入新策略增强稳定性，实验表明其检测性能高且通信开销低。
2026-07-07 cs.CR cs.LG
Decision MetaMamba: Enhancing Selective SSM in Offline RL with Heterogeneous Sequence Mixing
决策MetaMamba通过异质序列混合增强离线RL中的选择性SSM，实现高性能与紧凑参数的平衡。
2026-02-26 cs.AI cs.LG
Task-Conditional Flow Matching for Balanced Multilingual Text Embedding Adaptation
Indian Institute of Technology Gandhinagar（印度甘地讷格尔印度理工学院）
针对多语言文本嵌入模型适配的任务差异问题，提出TCFM框架，结合流匹配与教师引导表示保留等方法，在Indic基准上实现最优性能并将发布代码与数据集。
2026-08-07 cs.AI cs.CL
Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models
Shanghai Jiao Tong University（上海交通大学）
从脑电图（EEG）中进行情感识别的数据稀缺问题导致难以使用机器学习算法或深度神经网络建立高精度的情感模型。受新兴的深度生成模型的启发，我们提出了三种增强EEG训练数据的方法，以提高情感识别模型的性能。我们提出的方法基于两个深度生成模型，变分自动编码器（VAE）和生成对抗网络（GAN），以及两种数据增强策略。对于完全使用策略，所有生成的数据都被增加到训练数据集，而不判断生成的数据的质量，而对于部分使用策略，只选择高质量的数据并附加到训练数据集。这三种方法被称为条件Wasserstein GAN（cW GAN）、选择性VAE（sVAE）和选择性WGAN（sW GAN）。为了评估这些方法的有效性，我们进行了系统的实验研究两个公开的情绪识别EEG数据集，即，种子和DEAP。我们首先生成两种形式的逼真的EEG训练数据：功率谱密度和微分熵。然后，我们用不同数量的生成的逼真的EEG数据来增强原始训练数据集。最后，我们训练支持向量机和具有快捷层的深度神经网络，以使用原始和增强的训练数据集构建情感模型。实验结果表明，我们的方法产生的增强训练数据集增强了基于EEG的情感识别模型的性能，并优于现有的数据增强方法，如条件VAE，高斯噪声和旋转数据增强。
2020-06-17 cs.LG eess.SP
Decision MetaMamba: Enhancing Selective SSM in Offline RL with Heterogeneous Sequence Mixing
Samsung Electronics Hwaseong, South Korea（三星电子（Hwaseong, 韩国））；Seoul National University of Science and Technology（首尔科学技术大学）
决策元Mamba通过异构序列混合增强离线强化学习中的选择性SSM，实现高效且紧凑的高性能表现。
2026-02-26 cs.AI cs.LG
Emotion Detection Using Conditional Generative Adversarial Networks (cGAN): A Deep Learning Approach
本文提出基于条件生成对抗网络（cGAN）的多模态情感检测方法，整合文本、音频和面部表情，生成合成数据提升分类准确性，显著优于基线模型，增强人机交互的情感理解。
2025-08-06 cs.HC cs.LG cs.NE
Semantically-Guided Inference for Conditional Diffusion Models: Enhancing Covariate Consistency in Time Series Forecasting
针对条件扩散模型在时间序列预测中协变量不一致的问题，提出即插即用的推理时方法SemGuide，通过评分网络和重要性重加权增强语义对齐，提升预测准确性与协变量一致性。
2025-08-03 cs.AI cs.LG
Conditional Selective Inference for Robust Regression and Outlier Detection using Piecewise-Linear Homotopy Continuation
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
在噪声环境下的实际数据分析中，通常首先使用鲁棒方法来识别异常值，然后在去除异常值后进行进一步的分析。本文考虑剔除离群值后模型估计的统计推断问题，这可解释为一个选择推断问题。为了使用条件SI框架，有必要描述稳健方法如何识别离群值的事件。不幸的是，现有的方法不能直接使用这里，因为它们适用于选择事件可以由线性/二次约束表示的情况。本文利用同伦方法，提出了一种求解稳健回归的条件SI方法。我们表明，建议的条件SI方法是适用于广泛的一类强大的回归和离群值检测方法，并具有良好的经验表现在合成数据和真实数据的实验。
2022-01-02 cs.LG stat.ML
More Powerful and General Selective Inference for Stepwise Feature Selection using the Homotopy Continuation Approach
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
条件选择性推理作为一种新的数据驱动假设的统计推断框架，已经得到了广泛的研究。条件SI的基本思想是使推理以一组线性和/或二次不等式为特征的选择事件为条件。条件SI主要在特征选择的背景下进行研究，例如逐步特征选择（SFS）。现有的条件SI方法的主要限制是由于过度调节而导致的功率损失，这是计算易处理性所必需的。在这项研究中，我们开发了一个更强大的和一般的条件SI方法SFS使用同伦方法，使我们能够克服这一限制。基于同伦的SI对于更复杂的特征选择算法特别有效。作为一个例子，我们开发了一个有条件的SI方法与AIC为基础的停止标准的前向-后向SFS，并表明它不会受到算法复杂性增加的不利影响。我们进行了几个实验来证明所提出的方法的有效性和效率。
2021-04-22 cs.LG stat.ML
More Powerful Conditional Selective Inference for Generalized Lasso by Parametric Programming
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
条件选择性推理作为一种新的数据驱动假设的统计推断框架，已经得到了广泛的研究。条件SI的基本概念是使推理以选择事件为条件，这使得即使在基于数据选择假设时也能够进行准确和有效的统计推断。条件SI主要是在模型选择的背景下研究的，如香草套索或广义套索。现有方法的主要限制是由于过度调节而导致的低统计功效，这是计算易处理性所需的。在这项研究中，我们提出了一个更强大的和一般的条件SI方法的一类问题，可以转化为二次参数规划，其中包括广义套索。该方法的核心思想是计算最优解在所选检验统计量方向上的连续路径，并根据该路径识别出与模型选择事件相对应的数据空间子集，从而避免了上述过度条件化的主要缺点，同时在多个方面提高了SI的性能和实用性.我们进行了几个实验来证明我们所提出的方法的有效性和效率。
2021-05-11 cs.LG stat.ML
Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching
University of Science and Technology of China（中国科学技术大学）；University of Pittsburgh（匹兹堡大学）；Tianjin University（天津大学）
提出模型无关框架CGFM，通过整合辅助预测模型输出扩展流匹配，利用残差概率结构并引入双侧条件路径与仿射路径，有效保持时间一致性并提升时间序列预测精度。
2025-08-08 cs.AI cs.LG
Enhancing Time Series Forecasting through Selective Representation Spaces: A Patch Perspective
East China Normal University（华东师范大学）
本文提出选择性表示空间模块SRS，通过自适应选择和重组补丁提升时间序列预测性能，SRSNet在多个领域数据集上取得最佳效果。
2025-12-16 cs.LG
Enhancing Customer Service Chatbots with Context-Aware NLU through Selective Attention and Multi-task Learning
Walmart Inc.（沃尔玛公司）；IISc（印度科学研究院）
本文提出MTL-CNLU-SAWC模型，通过选择性注意机制融合客户查询与订单上下文信息，并结合多任务学习提升客户服务聊天机器人的意图分类准确率，在沃尔玛生产环境中显著减少人工转接并节省成本。
2025-06-02 cs.AI cs.LG
Programming Refusal with Conditional Activation Steering
University of Pennsylvania（宾夕法尼亚大学）；IBM Research（IBM研究院）
针对激活引导无差别改变LLM行为的问题，本文提出CAST，依据输入上下文在推理时选择性施加或撤回激活引导，从而以规则方式控制拒答并保持其他响应正常，且无需权重优化。
2025-02-17 cs.AI cs.CL cs.LG
Selective Regression Under Fairness Criteria
Massachusetts Institute of Technology（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
选择性回归允许在没有足够的信心做出准确预测时避免预测。一般来说，通过允许拒绝选项，人们期望回归模型的性能以减少覆盖率为代价增加（即，通过在较少的样本上进行预测）。然而，正如我们所展示的，在某些情况下，当我们减少覆盖范围时，少数子组的表现会下降，因此选择性回归会放大不同敏感子组之间的差异。出于这些差异，我们提出了新的选择性回归的公平标准，要求每个子组的性能，以提高覆盖率的下降。我们证明，如果一个功能表示满足充分性标准或校准的均值和方差，比建议的公平性标准是符合的。此外，我们引入了两种方法来减轻子组之间的性能差异：（a）通过正则化条件互信息的上界高斯假设和（b）通过正则化条件均值和条件方差预测的对比损失。这些方法的有效性证明了合成和真实世界的数据集。
2022-07-14 cs.LG stat.ML
Enhancing Circuit Trainability with Selective Gate Activation Strategy
Yonsei University（延世大学）；Carnegie Mellon University（卡内基梅隆大学）
针对VQAs中可训练性与表达能力的权衡，本文在VQE中评估三类选择性门激活策略，发现基于参数大小的激活可改善收敛。
2025-03-17 cs.LG quant-ph
Enhancing Online Continual Learning with Plug-and-Play State Space Model and Class-Conditional Mixture of Discretization
Harbin Institute Of Technology（哈尔滨工业大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Harbin Institute Of Technology (Shenzhen)（哈尔滨工业大学（深圳））；University of Oxford（牛津大学）
提出即插即用模块S6MOD，通过离散化混合和类条件路由算法动态调整状态空间模型参数，显著提升在线持续学习的模型适应性与性能。
2024-12-24 cs.AI cs.CV cs.LG
Enhancing Fault Resilience of QNNs by Selective Neuron Splitting
Tallinn University of Technology（塔林理工大学）；Mälardalen University（梅拉达伦大学）
针对量化神经网络（QNNs）可靠性不足的问题，本文提出基于神经元脆弱性因子（NVF）识别关键神经元并对其进行分裂的方法，可在不改动加速器计算部分的前提下设计轻量级校正单元，以仅为选择性三模冗余（TMR）一半的开销实现相近的故障恢复能力。
2023-06-16 cs.AR cs.LG cs.NE
Approximate Conditional Coverage & Calibration via Neural Model Approximations
Reexpress AI；Harvard University（哈佛大学）
一个典型的迫切需要量化的不确定性从分类模型作为一个预测集是类条件单例集校准。也就是说，这样的集合应该映射到校准良好的选择性分类器的输出，匹配观察到的相似实例的频率。最近提出深度网络自适应和局部共形p值的工作并不能保证这种行为，也不能凭经验实现。相反，我们使用来自基于KNN的Transformer网络近似的预测可靠性的强信号来构建Mondrian Conformal Predictors的数据驱动分区，这些分区被视为弱选择性分类器，然后通过新的归纳Venn Predictor（Venn-ADMIT Predictor）进行校准。由此产生的选择性分类器是校准良好的，在一个保守的，但实际上有用的意义上，对于一个给定的阈值。它们对数据分区比例的变化具有固有的鲁棒性，并且简单的保守统计学对协变量偏移提供了额外的鲁棒性。我们比较和对比最近的共形预测器在几个具有代表性和挑战性的自然语言处理分类任务中产生的数量，包括类不平衡和分布偏移设置。
2022-12-01 cs.CL cs.LG
IncogniText: Privacy-enhancing Conditional Text Anonymization via LLM-based Private Attribute Randomization
Huawei Munich Research Center（华为慕尼黑研究中心）
本文提出IncogniText文本匿名化技术，通过大语言模型私有属性随机化误导对手预测错误属性值，在8种属性上降低泄露超90%，并蒸馏为端侧LoRA参数实现现实部署。
2025-02-02 cs.AI cs.CL cs.CR
Selective Amnesia: A Continual Learning Approach to Forgetting in Deep Generative Models
National University of Singapore（新加坡国立大学）；Smart Systems Institute, National University of Singapore（新加坡国立大学智能系统研究所）
针对文本到图像模型可能被滥用以生成有害内容的问题，提出基于持续学习的“选择性遗忘”方法，实现可控遗忘，可应用于变分自编码器和扩散模型，实验证明能有效遗忘多种概念。
2023-10-17 cs.AI cs.LG
Online Selective Conformal Prediction: Errors and Solutions
Carnegie Mellon University（卡内基梅隆大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
针对在线选择性共形推断中现有校准选择策略存在的理论错误，本文提出可保持数据可交换性的新策略，证明其能同时保证选择条件覆盖率与FCR控制，并通过实验验证了有效方法间的权衡关系。
2025-03-21 cs.LG stat.ML
Ensemble-MIX: Enhancing Sample-Efficiency in Multi-Agent RL via Selective Ensemble-Based Exploration
本文提出结合分解集中批评者与去中心化集合学习的新算法，通过集合kurtosis实现选择性探索，提升样本效率，优于现有基线方法。
2026-10-14 cs.LG cs.SY eess.SY
Enhancing Continual Learning for Software Vulnerability Prediction: Addressing Catastrophic Forgetting via Hybrid-Confidence-Aware Selective Replay for Temporal LLM Fine-Tuning
School of Computer Science, University of Nottingham, Nottingham, United Kingdom（诺丁汉大学计算机科学学院）；School of Informatics and Computing, Northern Arizona University, Flagstaff, United States of America（北亚利桑那大学信息学院）；School of Computer Science, University of Nottingham, Ningbo, China（诺丁汉大学宁波校区）
本文提出Hybrid-CASR方法，通过置信度感知和类平衡的选性重放，提升LLM在时间漂移下的漏洞检测准确率和效率。
2026-02-27 cs.AI cs.CR cs.LG
SEAFL: Enhancing Efficiency in Semi-Asynchronous Federated Learning through Adaptive Aggregation and Selective Training
University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；East China Normal University（华东师范大学）；University of Delaware（特拉华大学）
SEAFL针对半异步联邦学习中的掉队者与陈旧模型问题，提出基于陈旧度和重要性的自适应聚合权重分配，并通过选择性部分训练提升效率，实验显示达到目标精度所需训练时间最多减少约22%。
2025-02-22 cs.AI cs.DC cs.LG
Selective Attention: Enhancing Transformer through Principled Context Control
University of Michigan（密歇根大学）；University of California, Riverside（加州大学河滨分校）
本文提出选择性自注意力（SSA）层，通过有原则的温度缩放策略控制注意力稀疏性，缓解注意力稀释并抑制噪声令牌，仅增加不到0.5%参数即可在语言建模基准上取得一致提升。
2024-11-19 cs.CL cs.LG
Distribution-Specific Agnostic Conditional Classification With Halfspaces
本文研究不可知设定下由半空间定义子集的条件分类问题，提出首个误差保证为$\bigO*{\sqrt{\mathrm{opt}}}$的齐次半空间选择器PAC学习算法，并证明在密码学假设下逼近条件分类损失在计算上至少与不可知分类一样困难。
2025-01-31 cs.CC cs.LG stat.ML
Mitigating Training Imbalance in LLM Fine-Tuning via Selective Parameter Merging
Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Tencent（腾讯）
针对大语言模型有监督微调中数据顺序引发的训练不平衡及性能下降问题，提出合并不同数据顺序的SFT模型，并设计参数选择合并技术，在五个数据集上优于传统加权平均法，经分析与消融实验验证了有效性及性能提升来源。
2024-10-01 cs.AI cs.CL cs.LG
Motion Selective Prediction for Video Frame Synthesis
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
现有的条件视频预测方法从大型数据库训练网络，并推广到以前看不见的数据。我们采取相反的立场，并引入一个模型，从给定视频的第一帧学习，并扩展其内容和运动，例如，将其长度增加一倍。为此，我们提出了一种双网络，可以灵活地使用动态和静态卷积运动内核来预测未来的帧。我们模型的构造为我们提供了有效分析其功能并解释其输出的方法。我们通过实验证明了我们的方法在野外具有挑战性的视频上的鲁棒性，并表明它具有竞争力的wrt相关基线。
2018-12-25 cs.CV cs.LG
Quantifying Statistical Significance of Neural Network-based Image Segmentation by Selective Inference
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）；Nagoya University（名古屋大学）
尽管大量文献涉及使用深度神经网络（DNN）的图像分割方法，但较少关注评估分割结果的统计可靠性。在这项研究中，我们将分割结果解释为DNN驱动的假设（称为DNN驱动的假设），并提出了一种方法，通过该方法在统计假设测试框架内量化这些假设的可靠性。具体地说，我们考虑一个统计假设测试对象和背景区域之间的差异。这个问题是具有挑战性的，因为由于DNN对数据的适应性，差异会虚假地大。为了克服这一困难，我们引入了一个条件选择性推理（SI）框架-一个新的统计推断框架的数据驱动的假设，最近受到了相当大的关注-计算精确的（非渐近）有效的p值的分割结果。为了将条件SI框架用于基于DNN的分割，我们开发了一种基于同伦方法的新SI算法，该算法使我们能够推导出DNN驱动假设的精确（非渐近）采样分布。我们在合成和真实世界的数据集上进行了实验，通过这些实验，我们提供了证据，证明我们提出的方法可以成功地控制假阳性率，在计算效率方面具有良好的性能，并且在应用于医学图像数据时提供了良好的结果。
2022-12-14 cs.CV cs.LG stat.ML
DiffRaman: A Conditional Latent Denoising Diffusion Probabilistic Model for Bacterial Raman Spectroscopy Identification Under Limited Data Conditions
Tsinghua University（清华大学）
针对细菌拉曼光谱鉴定中数据不足导致深度学习诊断性能受限的问题，提出条件潜在去噪扩散生成模型DiffRaman，可生成高质量合成光谱提升有限数据下的诊断性能，且生成效率优于现有模型，为数据稀缺场景的自动化诊断提供新方案。
2024-12-11 cs.AI cs.CV cs.LG
Enhancing Graph Representation Learning with Attention-Driven Spiking Neural Networks
Tsinghua University（清华大学）
本文提出将注意力机制与脉冲神经网络相结合以改善图表示学习，使模型能选择性地聚焦重要节点及特征，在多个基准数据集上取得了与现有技术相当的性能。
2024-03-25 cs.AI cs.LG cs.NE
Conditional Computation in Neural Networks for faster models
School of Computer Science（计算机学院）；McGill University（麦吉尔大学）
深度学习已成为许多应用中最先进的工具，但深度模型的评估和训练可能非常耗时且计算成本高昂。已经提出了条件计算方法来解决这个问题（Bengio等人，2013; Davis & Arel，2013）。它通过一次选择性地只激活网络的一部分来运行。在本文中，我们使用强化学习作为优化条件计算策略的工具。更具体地说，我们将学习依赖于激活的策略以丢弃单元块的问题作为强化学习问题。我们提出了一个由计算速度驱动的学习方案，捕获了想要在保持预测准确性的同时具有简约激活的想法。我们应用一个策略梯度算法来学习优化这个损失函数的策略，并提出了一个正则化机制，鼓励辍学政策的多样化。我们提出了令人鼓舞的实证结果表明，这种方法提高了计算速度，而不影响近似的质量。
2016-01-07 cs.LG
GradCheck: Analyzing classifier guidance gradients for conditional diffusion sampling
Center for Artificial Intelligence, Technical University of Applied Sciences Wuerzburg-Schweinfurt（维尔茨堡-施韦因富特应用技术大学人工智能中心）；Bielefeld University（比勒费尔德大学）
本研究分析了DDPM采样中分类器引导梯度的稳定性问题，通过比较鲁棒与非鲁棒分类器及多种梯度稳定技术，发现这些技术能显著提升非鲁棒分类器的样本质量。
2024-06-25 cs.LG
Enhancing Neural Autoregressive Distribution Estimators for Image Reconstruction
University of Waterloo（滑铁卢大学）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出广义ConvNADE模型，通过观察图像像素块预测未观察部分，并证明采用拟蒙特卡洛启发的低差异像素采样可提升图像重建保真度与测试性能。
2025-07-06 cs.CV cs.LG eess.IV
Enhancing Industrial Transfer Learning with Style Filter: Cost Reduction and Defect-Focus
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Tsinghua-Berkeley Shenzhen Institute, Tsinghua University（清华大学伯克利深圳学院）
本文提出 Style Filter 方法，通过在知识迁移前选择性过滤源域数据，在减少数据量的同时维持或提升迁移学习性能，有效解决工业场景数据稀缺问题。
2024-03-25 cs.CV cs.LG
