我们提出了一种新颖的连续核图卷积（CKGConv）框架，通过将核函数参数化为通过图位置编码得到的伪坐标的连续函数，从而解决了在图域中定义通用卷积算子的挑战，该框架理论上证明了 CKGConv 的灵活性和表现力，并在实证中证明 CKGConv 网络在各种图数据集上优于现有的图卷积网络，并与最佳图转换器表现相当。

Apr, 2024

本文介绍了一种新的 kervolution 运算，该方法可以在非线性空间内运行，扩展了卷积神经网络的模型容量，捕捉更高阶的特征交互，并通过基于补丁的核函数实现，而不引入额外参数。大量实验表明， kervolutional neural networks (KNN) 比基线卷积神经网络具有更高的准确性和更快的收敛速度。

Apr, 2019

本文提出了可操作非网格结构数据的一种新的可学习算子 —— 参数化连续卷积，并在室内外场景的点云分割和驾驶场景的激光雷达运动估计中实验证明，相较于现有技术有显著提升。

Jan, 2021

本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。

Oct, 2017

本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

Apr, 2019

该论文提出了一种名为 FlexConv 的新型卷积操作，可以在学习可学习核大小的高带宽卷积核时以固定的参数成本来建模长期依赖性，提高分类准确性。

Oct, 2021

本文提出了一种基于多层核机的图像表示方法，并通过监督学习来调整核的形态。该方法构建了一种新的卷积神经网络，在一些深度学习数据集上取得了良好的分类表现，表明了该方法在图像相关任务中的应用价值。

May, 2016

通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

Jun, 2014

本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

Mar, 2020

本文研究了神经网络在对正常与混沌时间序列进行分类训练时的内在机制，并提出了一种新型网络架构 —— 大核卷积神经网络（LKCNN），比传统的一些网络架构更加高效。针对低精度的神经网络分类问题，提出了一种使用输入周期性和激活周期性的新颖方法，使得分类结果的准确率得到提高。

Jun, 2023