本文提出了一种基于产品的神经网络模型（PNN），通过嵌入层来学习分类数据的分布式表示，通过乘积层来捕获领域之间的互动模式，并进一步完全连接的层来探索高阶特征交互，实验证明在两个大规模实际广告点击数据集上，PNN 模型在各种指标上都优于现有的基准模型。

Nov, 2016

本研究提出了一种新的神经网络模型，其中包含了 2D 自组织 ONNs 和可变形卷积。在 IAM 英语数据集和 HADARA80P 阿拉伯语数据集上，将 Self-ONNs 操作层与可变形卷积相结合，大幅减少了字符错误率和词错误率，且性能显著优于传统深度 CNN 模型。

Jul, 2022

本文提出了一种基于 Taylor 级数近似的自组织操作神经网络 Self-ONNs，旨在解决卷积神经网络在图像复原方面的不足问题，并在三个不同的复原任务上进行了广泛的消融实验以证明其优越性。

Aug, 2020

本文提出两种使用深度神经网络来预测用户响应的新模型，通过三种特征转换方法的借助，能够自动学习有效的分类特征交互模式，并对用户的广告点击进行预测。大规模的实验表明，我们的方法比现有主流模型更好。

Jan, 2016

该论文介绍了一种针对复杂系统和多输入函数的先进物理信息 DeepONet 模型，通过引入非线性解码器、课程学习和域分解等架构增强和有效训练策略，该模型在高维设计空间中具有显著提高的准确性，比基本物理信息 DeepONet 模型提升了两个数量级。它在广泛的设计空间中具有零样本预测能力，成为加速复合材料工艺设计和优化的强大工具，在其他工程领域具有强非线性特征的应用具有潜在的应用价值。

Jun, 2024

提出了一种使用超网络的方法，即 HyperDeepONet，通过较少的参数来学习复杂操作符，并成功地在较少的计算资源下学习各种操作符，并具有实时预测的能力。

Dec, 2023

使用深度自编码器识别高维 PDE 输入输出函数的潜在特征表示，可以增强学习，并提高时间依赖型的 PDE 模型的计算精度和效率。

Apr, 2023

提出了一种实用的 CTR 预测模型 —— 记忆增强型 DNN，该模型通过创建两个外部记忆向量来记住每个用户的历史行为信息，并取得了在离线和在线实验中都表现出良好的绩效。

Jul, 2019

本文提出一种新的光学神经网络（ONN）框架，模拟人眼视网膜中心附近的高分辨率，实现了图像分类估计的标量不变性，并且通过同维孪生（Siamese）结构将不同缩放级别的图像输入通过相同的卷积神经网络（CNN）进行处理，最终的结果可用于提高现有算法中的准确性。

May, 2018

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