本文提出了一种名为 Memory Fusion Network (MFN) 的神经结构，通过特殊的 attention 机制 Delta-memory Attention Network (DMAN) 以及多视图门控记忆来显式地涵盖多视图序列中的视图间及视图内交互，并在多个公开数据集上展现出优于其他现有模型的表现，成为新的多视图数据集的最佳模型。

Feb, 2018

该研究提出了一种基于关联记忆的新架构用于双序列建模，派生了用于增强通用循环神经网络（RNN）的循环关联记忆（AM-RNNs），扩展至同时操作两个 AM 的 Dual AM-RNN，并在文本推理方面取得了非常有竞争力的结果。

Jun, 2016

本研究提出了一种双重记忆架构模拟人类大脑的海马体和新皮层系统，通过经验的生成重放的记忆巩固，避免神经网络在顺序任务中的灾难性遗忘现象，进而实现连续学习并展示出哺乳类记忆的很多特征。

Oct, 2017

通过引入双重记忆网络，本文介绍了一种全能的适应性方法，可以在零样本调整、少样本调整和无需训练的少样本调整三种设置下有效工作。

Mar, 2024

本文提出了一种新的视频检索方法，采用双重深度编码网络进行多级编码，将视频和查询作为两种模态编码为向量，同时结合好的可解释性和性能的高性能的概念空间和潜在空间来进行深空间学习，经实验证明了方法的可行性。

Sep, 2020

本文提出了一种双存储自组织架构用于实现终身学习，其中包含具有学习物体实例和类别的互补任务的两个增长式重复神经网络；通过在连续感官经历中扩展它们，这两个增长网络都能够提取出对未知数据更强的特征。

May, 2018

本文提出了一个新的强化学习代理，Multi-View Dreaming，用于从多视角观测中进行综合识别和控制。我们使用对比学习来训练不同视角之间的共享潜在空间，并展示了如何使用专家产品方法来集成和控制多个视角的概率分布的潜在状态。我们还提出了 Multi-View DreamingV2，它使用分类分布来建模潜在状态，并证明该方法在实际机器人控制任务中优于现有方法的简单扩展。

Mar, 2022

本文提出了一种双重用户和产品记忆网络 (DUPMN) 模型，旨在有效地学习用户画像和产品信息用于情感分析。经过针对 IMDB，Yelp13 和 Yelp14 三个基准数据集的评估，该模型相对于最先进的综合预测模型，分别给出了 0.6％，1.2％和 0.9％的性能提升，并受到 p 值显著测试的支持。

Sep, 2018

提出了一种跨模态关注蒸馏框架来训练双编码器模型，以用于视觉语言理解任务，如视觉推理和视觉问答，并证明使用这种框架可以在保持比融合编码器模型更快的推理速度的同时实现竞争性的性能表现。

Dec, 2021

我们引入了一种多模态神经机器翻译模型，其中双重注意力解码器自然地整合了使用预先训练的卷积神经网络获取的空间视觉特征，弥合了图像描述和翻译之间的差距。我们的解码器通过两个独立的注意机制在生成目标语言单词时独立地关注源语言单词和图像的部分。我们发现我们的模型不仅可以高效地利用反向翻译的域内 多模态数据，还可以利用大规模的通用领域文本翻译语料库。我们还在 Multi30k 数据集上报告了最先进的结果。

Feb, 2017