将神经网络参数初始化转化为 SMT 问题
提出了一种通过使用 SMT 求解器修复有关安全规范的不安全神经网络，以防止对抗攻击，并且通过修改少量的权重值来寻找新的安全神经网络表示，从而最大限度地保持决策边界相似性，同时保证只有轻微的准确度损失，证明了该方法的实用性。
Jul, 2022
该论文介绍了发现更强大的激活函数和建立更稳健的神经网络权重初始化的技术，改进了 AutoML 的性能，提供了神经网络优化的新视角，使自动机器学习有了更进一步的发展。
Apr, 2023
本文提出基于增量可满足性模理论算法（SMT）的 Reluplex 框架的增量深度神经网络验证问题和算法，实现了一个称为 DeepInc 的增量求解器。该算法在大多数情况下都比传统算法更高效，并且还提出了一种多目标 DNN 修复问题和算法。
Feb, 2023
本研究提出一种基于 Satisfiability Modulo Theory (SMT) 的新型自动化验证框架，旨在保证深度神经网络对于图像操作的安全性，能够发现对于给定操作范围和家族，对抗性样本是否存在，同时比较现有的相关技术。
Oct, 2016
我们提出了一种基于单纯形方法的技术，用于验证深度神经网络的属性，该方法可以处理非凸的修正线性单元（ReLU）激活函数，成功地验证相对于现有方法已知的规模更大的神经网络，以及用于无人机的下一代空中碰撞避免系统（ACAS Xu）的深度神经网络原型实现。
Feb, 2017
本文提出一种解决 spiking neural networks 初始权重选择的方法，其中结合了 ANN 的方差传播技术和扩散和 shot-noise 逼近的方法来获得预期的放电率和膜电位分布，并成功解决了射频崩溃问题。
May, 2023
通过优化初始膜电位实现高精度 ANN-to-SNN 转换，使得 SNN 在低延迟下达到了与最优性能相当的准确率，并在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上取得了最新的结果。
Feb, 2022