本文介绍了一种动态扩展卷积神经网络的新方法，通过使用自适应扩展评分作为扩展标准，解决了深度卷积神经网络中参数过多的常见问题，从而确保模型的复杂性与任务需求相匹配。该方法的一个显著优势是环保性质，因为它省去了训练多个不同大小模型的必要性。通过单个模型的动态扩展，实现了从单个训练会话中提取具有不同复杂性级别的检查点，有效降低了计算资源使用和能源消耗，同时加快了开发周期，提供了多样化的模型复杂性。在 CIFAR-10 数据集上评估了该方法，实验结果验证了该方法的有效性，表明动态添加层不仅可以维持 CNN 性能，还可以改进其性能，从而解决了深度学习领域的关键挑战。

Jan, 2024

提出了一种基于 Dense Network Expansion 和 Cross-Task Attention 机制的类别增量学习方法，实现了在保持旧数据特征空间的基础上，减缓网络和特征规模增长速率，解决了算法复杂度和准确率之间的 trade-off 问题。

Mar, 2023

提出了一种基于 Transformer 架构和共享编码器 / 解码器框架的策略，采用动态扩展特殊标记以使解码器网络适用于任务分布，从而在大数据集上取得优异结果，且不需要超参数调整。

Nov, 2021

我们提出了一种资源有效的连续学习方法，称为弹性扩展网络（E2Net），通过核心子网络精简和精准回放样本选择，实现了卓越的平均准确性和降低遗忘，在相同的计算和存储限制条件下，同时最小化处理时间。

Sep, 2023

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为 Latent Dynamics Network 的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

基于类人学习范式，提出了动态模块扩展和适应方法 (DMEA)，用于在连续生成任务中动态确定模型架构以获取新知识，从而在不同的 LSG 设置中明显优于现有方法。

Oct, 2023

我们通过自然梯度的方法，动态地扩展神经网络的宽度和深度，以降低训练过程中的损失。对于不确定合适的网络架构尺寸的问题，我们提出了一种自动收缩神经网络的方法。

Jul, 2023

基于数据输入，本研究提出了一种新算法，允许卷积神经网络的卷积层在动态环境下进行演化，并无缝地整合到现有的 DNNs 中。通过引入核函数，迭代性地评估图像特征的识别能力，本方法在多个数据集上展示了优于监督方法的表现，并在迁移学习场景中展示了增强的适应性，填补了深度学习中对于动态环境更灵活高效的 DNNs 的空白。

Sep, 2023

提出了一种全动态模型的方法，称为 LC-Net，旨在最大化深度卷积神经网络的计算效率和任务准确性，通过以层和卷积滤波通道为单位的层次推理动力学，能够预测冗余层和卷积滤波器 / 通道并学习保留计算结果以实现最大化任务准确性。

Jul, 2020

本文介绍了一种高效的弱监督学习模型 Dynamic Adaptive Network Intelligence (DANI)，用于准确地学习数据中的显式和隐含关系，该模型在 bAbI 数据集的问答任务上取得了最先进的结果。

Nov, 2015