本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了CNN基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

May, 2014

本文介绍了一种将谱网络与图估计过程相结合的方法，用于构建小学习复杂度和处理没有强规律的领域的深层神经网络，并在大规模分类问题中测试并达到更好的性能。

Jun, 2015

该论文讨论了i-theory中典型层次结构的构成，提出现代DCNs可以与具有池化和非池化层次的核机器的层级架构完全等效，最终提出高效的结构猜想。

Aug, 2015

本文提出了一种基于波浪变换、线性非线性映射、平移不变性和形变稳定性的特征提取器，可以适用于不同的网络层，并且在网络深度增加时特征越来越具有平移不变性；同时，本文还建立了对带限函数、卡通函数和Lipschitz函数等信号类应用的变形敏感度边界。

Dec, 2015

本研究从大数据方面对卷积神经网络进行了分析，并在单个和多个网络模型上提出了有效的融合机制，为大数据从业人员提供了最佳实践，从而在保持计算成本较低的情况下，在基准数据集上取得了最先进的结果。

Aug, 2016

本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍CNN组件的基础理解、当前挑战和应用领域。

Jan, 2019

本文提出一种基于张量的奇异值分解的方法，用于理解卷积层的动态过程和发现卷积特征之间的相关性，以及在图像分类网络中应用超图模型进行可解释性研究。

Aug, 2022

本文提供了最近在深度学习领域中，新兴架构、优化技术、注意力、自监督学习等多个方面的全面综述。通过对这些领域中最重要和最新的研究工作的全面概述，希望帮助深度学习领域的研究人员在各领域间形成新的联系。

Feb, 2023

本教程针对深度学习中的卷积神经网络（CNN）和监督回归进行了全面而紧凑的讨论，填补了现有资源中基础而严谨的教程空缺。文章强调学习理论、统计学与机器学习之间的强大协同作用，旨在为学生和教授提供了解深度学习基础的理想资源。该工作展示了对深度学习概念的深入解析，提高了学习的可及性和系统性。

Aug, 2024

本研究解决了深度神经网络（DNN）的训练中存在的对称性问题，提出将其作为等效的凸Lasso问题。研究表明，深层网络在拟合函数中自然偏向对称结构，且更大的深度可以实现多层次的对称性。这一发现对于理解深度网络的几何结构及其优化具有重要意义。

Oct, 2024