提出了一种逐渐增加频率编码集的渐进式位置编码方法，构建了一个分层的 MLP 结构，其能够准确地重建具有广泛频谱的场景，并在不需要明确的层级监督下逐步学习场景表示。

Feb, 2022

本文研究了在 Coordinate-MLPs 中 activation function 的影响，提出了一类比正弦函数更加鲁棒的非周期函数，并鼓励在 Coordinate-MLPs 中使用这些非传统的激活函数来提高性能和简化模型。

Nov, 2021

通过使用基于坐标的 MLP 神经网络进行单个图像优化的方法，以及设计输入特征扭曲模块和周期性引导补丁损失函数来处理全局一致性和本地变化，同时引入周期性提议模块来解决周期性检测错误，从而学习出了一种神经隐式表示近周期图案的方法，并在 500 多个包括建筑立面、饰带、墙纸、地面和蒙德里安图案的单平面和多平面场景中证明了其有效性。

Aug, 2022

将光谱几何原理融入神经建模中，提出一个多功能框架，通过在功能域中比较不同空间，测量其内在相似性，找到它们之间的对应关系，并有效地在不同空间之间转移表示，从而在各种应用中验证了我们的框架，展示了潜在的功能映射可以作为表示对齐的多功能工具。

Jun, 2024

通过将输入点通过简单的傅里叶特征映射传递，使得多层感知机（MLP）能够学习低维问题领域中的高频函数。研究结果对计算机视觉和图形学领域中使用 MLP 表示复杂 3D 对象和场景的最新进展提供了启示。通过神经切比雪夫核（NTK）文献中的工具，我们展示了标准 MLP 在理论和实践中都无法学习高频的结论。为了克服这种频谱偏差，我们使用傅里叶特征映射将有效的 NTK 转换为带有可调节带宽的平稳核。我们提出了一种选择问题特定的傅里叶特征的方法，极大地提高了 MLP 在与计算机视觉和图形学相关的低维回归任务中的性能。

Jun, 2020

通过结合编码理论、动力系统、函数优化和监督深度学习等多个方法，我们提出了一个自监督学习框架，通过数据、数据增强、损失函数和网络架构等方面的优化，能够在没有监督位置信息的情况下训练出多个栅格细胞模块，且这些网络和形成的表示在训练分布之外也能很好地泛化。该研究对于对栅格细胞起源感兴趣的神经科学家以及对于新颖自监督学习框架感兴趣的机器学习研究人员具有重要洞见。

Nov, 2023

提出了一种新的神经网络模型 —— 正弦表示网络，可以用于处理带有细节特征的复杂信号及其导数，可以解决泊松方程、赫姆霍兹方程、波动方程等各种边界值问题，并且可以通过超网络学习 Siren 函数的先验知识。

Jun, 2020

研究不同类型结构神经网络在周期性数据外推泛化问题上的表现，结果发现传统序贯模型在该任务上仍然表现优于新型周期网络和蛇形激活函数，而基于人口的训练方法最终达到了最佳效果。

Sep, 2022

本文研究了多层感知机（MLP）对功能性输入的自然扩展。我们证明了对于经典的 MLP 的基本结果可以推广到功能性 MLP。我们获得了表达能力与数值 MLP 相当的通用逼近结果。我们获得了一致性结果，这意味着对于功能性 MLP 的最优参数估计在统计上是良好定义的。最后，我们在模拟和真实世界数据上展示了所提出的模型的表现非常令人满意。

Sep, 2007

深度神经网络的功能结构通过功能神经影像学的技术得到了探测。确定的功能网络可以用于模型对齐、模型输出的调节以及在微调中确定权重。

Nov, 2023