本文综述了近期深度神经网络在识别系统方面表现出的很高的性能，以及为数不多的数学解释其成功的理由，如全局最优性、几何稳定性和表示学习的不变性。
Dec, 2017
本文综述了近年来人工神经网络和机器学习领域所取得的进展和对于成功和微妙性的理解，通过数值实验和简化模型的分析，以及严谨的数学结果，讨论对于这个快速发展领域最重要的开放性问题。
Sep, 2020
本研究回顾了深度学习的鲁棒性问题，尤其是从近似理论到统计学习理论的关注和尝试，并回顾了贝叶斯深度学习作为不确定性量化和严格可解释性的一种手段。
Jul, 2023
深度学习在 AI 工业中占据主导地位，但其规模不断扩大也带来了一些从训练到推理、泛化到优化等方面的新挑战，本文总结了这些挑战并提出了一些解决方案，为数学家、统计学家和理论计算机科学家讨论该领域的研究问题提供了一些主观观点，有助于其在技术产业中的长期应用。
Mar, 2023
本论文旨在应用物理学中的对称性、局域性、复合性和多项式对数概率等性质，研究深度神经网络在近似处理特定实际问题时可以使用相对简单的模型，从信息论的角度证明这些理论，并通过层次结构的机制使深层模型比浅层模型更高效。
Aug, 2016
介绍了深度学习和神经网络模型（如卷积神经网络、递归神经网络、生成对抗网络）以及训练技术（如随机梯度下降、dropout、批量归一化）的统计学观点，强调了深度学习的新特征（包括深度和过参数化）及其实际和理论上的好处，同时探讨了深度学习的理论基础和最新研究成果；期望为新的统计研究提供一种思路。
Apr, 2019
该研究通过几何视角揭示深度学习的关键在于学习数据的流形结构和概率分布，并提出一种控制潜在空间中概率分布的最优质量传递理论。
May, 2018
本文回顾了近年来关于深度学习在数学领域的研究，认为当前即使是最先进的深度学习模型在面对简单的数学和算术任务时也表现出较大局限性。
该研究论文介绍了深度学习算法的主题，包括不同的人工神经网络架构、优化算法和理论方面，同时讨论了用于偏微分方程的深度学习逼近方法。
Oct, 2023
本文是介绍深度学习、几何深度学习和图神经网络的简要论文，重点介绍了评分函数和损失函数这些算法的关键成分，以及模型训练的主要步骤。
May, 2023