介绍一种新的用于处理图结构数据的模型 - 扩散卷积神经网络 (DCNN)，利用扩散卷积操作来学习基于扩散的表示，并在节点分类任务上表现出色。

Nov, 2015

通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

Jun, 2018

通过有限精度变量、关键性分析、贪婪策略等技术实现近似深置信网络 (ApproxDBNs)，在保证目标准确率的前提下，最大化降低硬件实现的能耗。实验结果表明，通过限制准确度损失，能够显著降低硬件的处理精度。

Apr, 2017

本文提出了基于贝叶斯卷积神经网络的变分推断方法，通过引入欠拟合和过拟合的概率分布来解决神经网络普遍存在的预测不确定性问题，并在图像分类等任务上进行了实验测试。

Jan, 2019

本研究主要使用 BCNN 方法对星系进行形态分类，通过卷积神经网络（CNN）训练不同类别的星系图像，并结合贝叶斯网络进行预测，结果显示 BCNN 在多个评估指标上表现优于其他 CNN 模型。

May, 2024

本文提出了递归贝叶斯网络 (RBNs)，它是概率上下文无关文法和动态贝叶斯网络的扩展和统一，将它们的优点结合在一起作为特殊情况，定义了一个关于离散或连续潜在变量的树形结构贝叶斯网络的联合分布，同时解决了潜在变量为连续的情况下的结构和连续变量推断的挑战。

Nov, 2021

本文提出一种贝叶斯图卷积神经网络的框架，用于在图结构数据上进行节点分类和矩阵补全任务，并采用一种迭代学习算法来提高模型性能，并在试验中展示了当训练数据少时，该方法提供更好的性能。

Nov, 2018

本文提出了一种基于树形结构卷积神经网络的编程语言处理方法，可以对两个不同的编程分析任务进行高效的编程分类和某些代码模式的检测。结果表明，TBCNN 优于包括几个 NLP 的神经模型在内的基准方法。

Sep, 2014

介绍了一种称为 “dynamic batching” 的技术，它可以通过组合块来简化动态图形模型的创建，并支持各种不同类型的输入图形的批处理实现。

Feb, 2017

该论文介绍了基于观察输入输出对的算法任务的学习方法，使用分而治之的思想创建了递归动态定义的神经网络结构来优化计算复杂度，并成功应用于凸包，聚类等多项组合问题的求解。

Nov, 2016