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

通过 DropIn 层动态增加神经网络的深度，提供训练过程中的正则化，并在多个实验中证明了其有效性。

Nov, 2015

本文提出一种动态增长的 GAN 训练方法，将架构搜索技术作为一个交错步骤与梯度训练相结合，以周期性地寻求生成器和鉴别器的最佳架构增长策略，从而实现了逐步增长训练的好处和更广泛的架构设计空间的改进性能，实现了新的图像生成技术的最新进展，提供了生成器 - 鉴别器平衡和卷积层选择等 GAN 模型设计方面的建设性见解。

Jun, 2021

该研究提出了一种名为随机深度的训练方法，通过随机地去掉一部分神经网络层，降低训练时间，提高测试准确率，特别是对于残差网络这样深层数学习模型的训练和测试效果都得到了大幅提升。

Mar, 2016

神经生长是将小型神经网络扩展到大型网络的过程，其优化生长时机的研究相对较少。本研究揭示了神经生长固有地具有正则化效应，其强度受生长时机政策的影响。为解决欠拟合和过拟合风险，本文提出了一种基于风险感知的生长时机策略，在潜在的欠拟合和过拟合风险水平的指导下自动调整生长时机。在使用 CIFAR-10/100 和 ImageNet 数据集进行的综合实验中，所提出的策略在容易欠拟合的模型中实现了高达 1.3% 的准确率改善，同时相对于现有方法，在过拟合模型中实现了相似的准确率。

Jan, 2024

深度神经网络使用 MixtureGrowth 方法实现网络扩展和训练，提高了准确率，并减少了计算次数。

Nov, 2023

本文通过使用小的卷积滤波器的架构，对不断增加深度的网络的精度进行了全面评估，表明通过将深度推到 16 至 19 个权重层，可以显著提高以往技术水平，并在 ImageNet Challenge 2014 中获得了第一和第二名。我们还证明了该表示法在其他数据集上具有很好的泛化性能，并公开了我们表现最佳的两个 ConvNet 模型，以便进一步研究深度视觉表示在计算机视觉中的应用。

Sep, 2014

通过在训练过程中，在某些中间层之后添加辅助监督分支，形成深度监督结构，其训练更容易，且在 ImageNet 和较大的 MIT Places 数据集上获得更好的分类效果。

May, 2015

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

本文提出一种精细调整方法，通过分层修剪和自动调整分层学习率来改善调整性能和降低网络复杂度，在图像检索基准数据集（CUB-200，Cars-196，斯坦福在线产品和 Inshop）中取得了最先进的性能。

Feb, 2020