深度连续网络（DCNs）结合了空间连续滤波器和神经 ODE 的连续深度框架，能够学习滤波器的空间支持以及特征图的持续演化，与生物模型密切相关。DCNs 在标准图像分类和重构问题中具有多功能且广泛适用，可以提高参数和数据效率，并允许元参数化。我们展示了 DCNs 学习的尺度分布的生物合理性，并研究了它们在神经科学启发的模式补全任务中的性能。最后，我们通过改变输入对比度来实现 DCN 的高效实现。

Feb, 2024

我们提出了动态协同注意网络（DCN）来解决深度学习模型在问题回答中可能会遇到局部极大值的问题，并在 Stanford 问题回答数据集上将准确率从 71.0% F1 提高到 75.9％ F1，使用 DCN 合奏能够获得 80.4％ F1。

Nov, 2016

该研究提出了两种改进型的 Capsule Networks，即 Dense Capsule Networks 和 Diverse Capsule Networks，以解决 CNNs 内在局限性，分别在标准数据集 MNIST，SVHN 和 CIFAR-10 上实验结果表明两种改进架构具有更好的性能和更少的训练迭代次数和参数数量。

May, 2018

本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

Oct, 2016

介绍一种新的用于处理图结构数据的模型 - 扩散卷积神经网络 (DCNN)，利用扩散卷积操作来学习基于扩散的表示，并在节点分类任务上表现出色。

Nov, 2015

本文介绍了一种新型深度神经网络 ——Deep & Cross Network (DCN)，能够在保留 DNN 模型优势的基础上，引入有效的交叉网络来学习有限次数特征交互，不需要进行手动特征工程，且几乎不会增加 DNN 模型的复杂性，针对 CTR 预测数据集和密集分类数据集进行了实验，结果表明该模型在模型精度和内存使用方面都优于当前最先进的算法。

Aug, 2017

本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。

Apr, 2019

通过结合卷积操作和自注意机制的优势构建了新型双通道神经网络模型（DCNN），用于改进细粒度图像分类的准确性。实验证明，将 DCNN 作为骨干网络用于分类特定的细粒度基准数据集，在性能上相较于其他先进的卷积或注意力细粒度骨干网络，分别获得了 13.5％-19.5％和 2.2％-12.9％的性能优势改进。

May, 2024

本文运用复杂网络理论将 DNN 表示为一个有向带权图，并介绍了一些度量方法，可以研究 DNN 作为动力学系统的性能，并发现度量方法可以区分低性能和高性能网络。

Sep, 2022

采用深度强化学习方法，通过图神经网络模型实现网络资源的分配，该方法比现有的最佳启发式算法达到更高的接受率；即使在未适当训练的情况下，可以在规模比训练时大 $10^2$ 倍的数据中心网络中保持高性能。

Oct, 2022