通过将 Compositional Pattern Producing Networks 与 GAN 结合，定义 latent vectors 为一种以组织 level segment 的方式生成完整游戏级别的方法，并通过 MAP-Elites 进行验证。

Apr, 2020

本论文提出了 Fourier-CPPNs（F-CPPNs），并将其用于创造性的目的，例如神经美术。F-CPPNs 以像素输出的频率信息为特征，明确地模型化频率信息，捕获 DC 分量以外的频率，为图像合成提供了改进的视觉细节。

Sep, 2019

提出了一种名为 DPP-Net 的优化神经体系结构架构的方法，能够同时考虑设备相关和设备不相关目标，通过实验结果证明其在各种不同设备上比其他相似方法更有效。

Jun, 2018

本文提出了一种基于多项式扩展的新型函数逼近器 ——π- 网，它是多项式神经网络，通过具有共享因子的张量集合分解来估计自然表示的未知参数，可用于许多任务和信号的表达建模，并在激活函数的辅助下在图像生成、人脸验证和 3D 网格表示学习等任务中实现了最新的结果。

Jun, 2020

本文探讨了使用 Determinantal Point Process (DPP) 的无监督惩罚损失方法以及内嵌在敌对训练和变分自编码器中的生成 DPP 方法。这种方法可以生成更高质量的样本而且更具多样性，同时不会改变原始的训练方案。

Nov, 2018

本文提出了一种利用遗传算法优化深度卷积神经网络结构和连接权重初始化的图像分类算法，该算法利用一个高效的可变长度基因编码策略和新的表示方案初始化深度卷积神经网络的连接权重，并提出了一种新的适应度评估方法，实现了在少量计算资源下的快速启发式搜索，与其他 22 个现有算法相比在九个广泛应用于图像分类的任务中表现明显优越。

Oct, 2017

本文介绍了一种名为 Divnet 的灵活技术，用于学习具有不同神经元的网络，并通过确定性点过程（DPP）和神经元融合的方法来捕获神经元的多样性和实现网络架构的自动优化和缩小，该方法针对剪枝神经网络问题显示优越性。

Nov, 2015

介绍了 $\Pi$-Nets，这是一种新型的深度卷积神经网络方法，它们比标准的 DCNNs 具有更好的表示能力，可以在计算机视觉和机器学习中广泛应用，尤其在生成模型方面取得了最新的成果。

Mar, 2020

本文介绍了两种新方法，通过直接在训练时间上实现正则化和使用部分训练来尽早评估个体架构，有效地减少了复杂性和训练时间，从而生产出有效地 CNN 拓扑结构，提高图像识别准确率，开销减少达 20%。这两种方法均经 CIFAR10 基准数据集验证以及保持准确度。

Feb, 2021

本研究旨在将深度神经网络的训练过程从轨迹优化的角度重新制定，提出了一种基于差分动态规划的优化器，DDP Neural Optimizer（DDPNOpt），其具有层间反馈策略、收敛性高等优点，且在避免梯度消失方面表现出惊人的优越性，展示了基于最优控制理论的算法设计的新思路。

Feb, 2020