通过利用扩散信息和马尔可夫转移矩阵，本研究提出了一种名为 DANI 的新方法来推断社交网络的基本结构，并保留其结构特性，实验证明 DANI 在准确性和运行时间方面优于其他网络推断方法。

Oct, 2023

我们设计了一种名为 Dual Cognitive Architecture (DUCA) 的新型框架，它结合了人类认知的多个因素，包括认知计算结构、认知偏差和多记忆系统，并具备多个子系统、内隐和显性知识表示二分法、归纳偏差以及多记忆系统功能，它在各种场景和数据集上表现出改进，并且它还展示了对于挑战性分布转移的优异性能。

Oct, 2023

本文通过分析动态记忆网络并提出多项改进，包括一种新的图像输入模块，实现在缺乏支持事实的情况下回答问题，该新型 DMN + 模型成功应用于视觉问答数据集和文本问答数据集上，且无需支持事实监督。

Mar, 2016

介绍了一种动态记忆网络 (DMN) 神经网络架构，它处理输入序列和问题，形成情节性记忆，并生成相关答案，用已训练的词向量表示和输入 - 问题 - 答案三元组训练，能在自然语言处理中取得最先进的结果。

Jun, 2015

DYAN 是一种基于系统识别理论的新型网络，通过设计良好的编码器和解码器，能够快速、准确地预测视频帧，且在多个数据集上表现优异。

Mar, 2018

本文介绍了一种基于 Matryoshka Representations 的 ANNS 设计框架 - AdANNS，通过使用不同容量的自适应表示来实现更好的准确性和计算效率平衡，例如在图像检索上，AdANNS-IVF 与在相同计算预算下基于刚性表示的 IVF 相比可提高 1.5% 的准确性，并且在时钟时间上快 90 倍；在自然问题上，32 字节的 AdANNS-OPQ 与使用刚性表示的 64 字节 OPQ 相比具有相同的准确性，成本减少了一半。

May, 2023

本文提出了新的自适应学习人工神经网络的算法 (AdaNet)，可以同时自适应地学习网络结构和权重。通过大规模实验，证明该算法在二元分类任务中表现出色，并且与传统方法中得到的神经网络相比具有竞争力的性能准确性。

Jul, 2016

本文提出结构化表示法和计算方法是实现人工智能与人类智能相似的能力的关键，通过使用深度学习体系结构内的关系感应偏差，介绍一种新的人工智能工具箱构建模块 -- 图形网络，它支持关系推理和组合推广，为推理提供更复杂、可解释和灵活的模式。

Jun, 2018

本文介绍了交互推断网络（IIN），一种新的神经网络架构，它通过从交互空间层次性地提取语义特征来实现对语句对的高层次理解，并展示了类似大规模 NLI 的语料库上 Densely Interactive Inference Network （DIIN）的最新性能表现，DIIN 相对于最强的发表系统在具有挑战性的 Multi－Genre NLI（MultiNLI）数据集上实现了大于 20％的误差降低。

Sep, 2017

本研究提出了一种名为 DEN (Dynamically Expandable Network) 的深度网络架构，可以在学习一系列任务时动态决定其网络容量，从而学习任务之间的重叠知识共享结构，通过选择性重新训练、动态扩展网络容量和时间戳来有效地防止语义漂移，并在现有公共数据集中验证了 DEN 的有效性。

Aug, 2017