本研究提出了一种基于条件计算的灵活选择神经模块的训练算法，该算法能够提高深度学习中的模型容量而不需要过多的计算资源和训练时间，并且在图像识别和语言建模任务中实现了比现有方法更好的性能。

Nov, 2018

本文研究了连续语义分割问题，提出使用表示补偿（RC）模块结构再参数化机制，以解决网络需要连续整合新类别但避免灾难性遗忘的问题。通过知识蒸馏策略，增强了模型的可塑性和稳定性。在两个有挑战性的实验场景中，无需任何额外的计算负担和参数，模型的性能超过了最先进的性能。

Mar, 2022

本文探讨了使用深度卷积神经网络训练高维数据的难点，回答了在随机分层模型中学习所需的训练数据量成长与类别数、高级特征组成式的幂、重复次数成多项式关系的问题，并给出了相应的估算方法。

Jul, 2023

本研究通过引入基于噪声的正则项对深度学习模型压缩中的教师 - 学生框架进行扩展，以解决模型存储大小、运行时复杂度和训练时复杂度等问题，实验结果在 CIFAR-10 数据集上表现最佳，表明该方法在深度模型压缩方面有潜力。

Oct, 2016

本文研究深度学习模型在语音增强方面的应用，并探讨了网络复杂度与可达到的语音质量之间的关系，考虑了网络在回声环境下的训练。研究表明，网络的复杂度是影响语音质量的一个重要因素。

Jan, 2021

基于人类认知启发的 Recognition as Part Composition 图像编码方法，在零样本学习、少样本学习和无监督领域自适应等低样本泛化任务中，可以克服深度卷积神经网络面临的难题，并且在对抗攻击下比深度神经网络更具鲁棒性。此外，采用 RPC 图像编码器的分类器对人而言是可解释的。基于此，我们提出了一种应用解释性编码的方法，生成用于评估新数据集零样本学习方法的合成属性注释。

Apr, 2022

通过引入简单的正则化技术以及利用类别级别属性注释对神经网络进行特征空间分解，本工作试图弥合深度学习模型与人类学习之间的鸿沟，证明组合表示的价值并展示少量样本即可学习新类别的分类器。

Dec, 2018

本篇论文对于如何从地理图像与文本中提取信息，以协助自动驾驶车辆在路径上提前确定最佳的基站连接进行了研究，实验表明，使用串联模型能够获得较快的训练速度，而使用单一的综合模型可显著缓解数据标记的负担。

Jun, 2023

本文设计了一种新的多任务深度学习体系结构，通过分解网络将雨图像分为干净的背景和雨层，进而进行去雨处理和图像恢复。实验结果表明，该结构在速度快、效果好方面表现优秀，同时具有广泛的应用前景。

Apr, 2018

本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

Apr, 2020