NCSAM NCSAM：以噪聲補償的銳度感知最佳化提升含錯誤標註訓練的魯棒性 帶標註錯誤的資料是深度學習常見問題，會使訓練梯度偏移、導致模型過度記憶錯誤樣本並降低泛化。本文從理論面探討標註噪聲與損失地形平坦性之關係，指出既有的銳度感知最佳化（SAM）在噪聲情況下會遭遇更新偏差。
深度分析 塑性介入對深度強化學習後門攻擊的影響：從SAM到SCC的實驗證據 本研究系統評估了塑性介入（如Shrink&Perturb、Weight Clipping、Spectral Normalization、LayerNorm、ReDo和SAM）對深度強化學習（DRL）後門攻擊的影響。
