该论文探讨了记忆增强神经网络（MANNs），研究它们如何将类人记忆过程融入人工智能中，涵盖了感知记忆、短期记忆和长期记忆等不同类型的记忆，并将心理理论与人工智能应用联系起来。研究调查了包括霍普菲尔德网络、神经图灵机、相关矩阵记忆、记忆形态神经网络和神经注意力记忆在内的先进架构，解释了它们的工作原理和优势所在。深入探讨了 MANNs 在自然语言处理、计算机视觉、多模态学习和检索模型等现实世界应用中的使用情况，展示了记忆增强器如何提高人工智能任务的准确性、效率和可靠性。总体而言，本综述全面介绍了 MANNs，为基于内存的人工智能系统的未来研究提供了深入见解。

Dec, 2023

本文研究使用量化方法对记忆扩充神经网络（MANN）进行压缩。经过深入探究，作者发现记忆寻址是影响性能的主要因素，并提出了一种鲁棒的量化方法来解决这个挑战。在实验中，该方法在计算能量和错误率方面比传统技术都有较大的改进。

Nov, 2017

本文提出了 Memory Matching Networks（MM-Net）的新想法，即在卷积神经网络中加入记忆元素，并学习动态地适应无标签图像的参数，从而实现一次学习。文章探讨了不同的训练数据集的匹配方法，并得出了超越同类算法的实验结果。

Apr, 2018

本研究证明了增强记忆功能的神经网络具有快速吸纳新数据和利用数据进行准确预测的能力，并介绍了一种基于内容而不是基于位置的外部记忆访问方法。

May, 2016

通过分布式记忆学习机制，利用神经网络以及强化记忆的方式，提出了一种新的无梯度的快速领域适应机制，称为分布式记忆学习（DML），在跨域场景中以显著的性能提升和时间优化为特点。

Feb, 2024

本文提出了一种称为 MAN 的框架，该框架通过增加基本神经推荐器的不断查询和更新的非参数存储器，并通过另一个轻量级门控网络将神经和记忆组件的预测进行组合，从而适用于不断增加的 SR 任务，并在实验中证明其超越了当前最先进的神经和非参数化方法，特别是对于新和不常用物品的学习。

Apr, 2020

提出了一种新颖的关注机制，即神经关注记忆（NAM），它是一种可读写的记忆结构，并基于此设计了基于 NAM 的 MANN、few-shot 学习、N-way K-shot 学习和 Transformer 等模型，实验证明 NAM 在算法零样本泛化、减少假阳性等方面效果更好。

Feb, 2023

通过利用标注函数对弱监督学习进行控制，我们提出了 KnowMAN 方法，该方法避免过度依赖标注函数所捕捉到的特定信号，从而改善与预训练转换器语言模型和基于特征的基线相比的结果。

Sep, 2021

通过存储案例，使用基于上下文的查找直接修改神经网络的权重，以 Memory-based Parameter Adaptation 为核心的方法，可以在监督任务中有效地改善深度神经网络的性能和训练速度。

Feb, 2018

本文提出了一种使用外部存储器的快速学习非参数模型来弥补神经网络在识别已出现少数次分类时的性能瓶颈的方法，改进了一些图像分类和语言模型任务的性能表现。

Mar, 2018