本文提出了一种新的 CNN 卷积块设计，利用 MaxMin 策略在保持一定的不变性的同时传输更多的信息，经过对经典数据集 MNIST 和 CIFAR-10 的广泛实验，结果表明，这种新设计的 MaxMin 卷积网络优于标准 CNN。

Oct, 2016

本文介绍了 Maxout network In Network (MIN) 这一新型深度学习结构的架构和实现方式，其应用了批量归一化和 dropout 等一系列优化方式，成功解决了在使用 rectifier units 时可能出现的梯度消失问题，同时通过 average pooling 方式进一步提高了信息抽象能力以及遏制了无关信息的干扰，最后在实验数据中取得了卓越的分类表现。

Nov, 2015

本文提出了一种名为 DeeperGCN 的新型 Graph Convolutional Networks，它有效地解决了深度较大的 GCNs 存在的梯度消失、过度平滑和过度拟合等问题，实现了对大规模图数据的成功且可靠的训练，并在 Open Graph Benchmark (OGB) 上进行的实验证明其在节点属性预测和图形属性预测的大规模图形学习任务中比现有技术有显著提高。

Jun, 2020

本文针对图卷积网络（GCNs）在层数增多时表现下降的问题进行了研究，发现合理训练后更深的模型具有极高的训练准确性，但泛化能力较差。通过分析 GCNs 的泛化能力，本文提出了一种解耦结构，使得 GCNs 既能保留表达能力，又能保证较好的泛化性能。各种合成和真实数据集的实证评估证实了这一理论。

Oct, 2021

本研究通过将 CNN 的残差连接和扩张卷积应用到 GCN 体系结构中，成功地解决了 GCN 中梯度消失的问题，构建了深层的 GCN，实现了更好的点云语义分割表现。

Apr, 2019

本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018

本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。

Aug, 2018

本研究提出了一种平衡的多组分和多层神经网络（MMNN）结构，用于以自由度和计算成本为代价在准确性和效率方面逼近具有复杂特征的函数。通过引入平衡的多组分结构，MMNN 相较于完全连接的神经网络（FCNNs）或多层感知机（MLPs），在训练参数减少、训练过程更高效和准确性更高方面表现出显著改进。大量数值实验证明了 MMNN 在逼近高振荡函数和自动适应捕获局部特征方面的有效性。

Jun, 2024

本文介绍了一种名为动态容量网络（DCN）的神经网络，可以通过结合低容量和高容量子网络并运用一种新颖的基于梯度的注意力机制自适应地在不同部分的输入数据中进行容量分配，实现对 Cluttered MNIST 和 SVHN 图像数据集的实证评估表明，相较于传统的卷积神经网络，DCN 可以显著降低计算数量，同时保持相似甚至更好的性能。

Nov, 2015

本文提出了一种高效的 CapsNet 组织方式–多通道胶囊网络（MLCN），其采用平行处理方式和基于一致性路由的组织方式，通过更少的参数成本达到类似精度，尤其在采用提出的新通道配置时，比原 CapsNet 表现更佳，训练和推理时间也比原 CapsNet 更快。

Feb, 2019