在大规模工业应用中，我们提出了改进版 DCN（DCN-V2）框架，以便更高效地学习特征交互。经广泛超参数搜索和模型调试等实验验证，改进版 DCN-V2 算法表现优于当今所有最新算法。该算法更具表现力，仍然具有成本效益，在低秩架构的混合耦合情况下，可用作构建块，并在 Google 的许多大规模学习排名系统中提高了离线精度和在线业务指标。

Aug, 2020

本文提出了一种新的 DCAP 体系结构，通过多头注意机制和产品神经网络差异化重点交叉特征，并在三个现实世界数据集上进行全面实验，结果表明 DCAP 模型的预测性能优于现有模型。

May, 2021

本文介绍了一种基于卷积神经网络的特征生成模型（FGCNN），旨在通过将局部模式结合来生成新特征，以提高深度学习模型中点击率预测的性能。实验结果表明，FGCNN 显著优于九种最先进的模型，并表明当使用某些最先进的模型作为深度分类器时，总是可以获得更好的性能。

Apr, 2019

在 CTR 预测中，本文提出了一种基于预训练的图神经网络 (PCF-GNN) 的显式语义交叉特征学习模型，解决了传统方法的泛化和内存成本的问题，并在公共和工业数据集上展示出在不同任务中的卓越表现和内存效率。

May, 2021

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

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

本篇论文提出了一种名为 eXtreme Deep Factorization Machine （xDeepFM） 的模型，它通过 Compressed Interaction Network （CIN） 生成 feature interactions，并且可以显式地和隐式地学习 variable order feature interactions，实验结果表明其优于现有的模型。

Mar, 2018

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

本文介绍了一种名为动态容量网络（DCN）的神经网络，可以通过结合低容量和高容量子网络并运用一种新颖的基于梯度的注意力机制自适应地在不同部分的输入数据中进行容量分配，实现对 Cluttered MNIST 和 SVHN 图像数据集的实证评估表明，相较于传统的卷积神经网络，DCN 可以显著降低计算数量，同时保持相似甚至更好的性能。

Nov, 2015

本文提出了一种新的模型叫做 Feature Interaction Graph Neural Networks (Fi-GNN)，可以用于解决 Web 应用中在线广告和推荐系统等任务的 click-through rate（CTR）预测问题。该模型利用图的强大特征表示能力，可以灵活、明确地建模复杂的特征交互，同时还能提供很好的模型解释性，并在真实数据集上得到了优于现有技术的实验结果。

Oct, 2019