本文介绍了一种名为 Multi-Fiber 的新型神经网络架构，它将一个复杂的神经网络切分成多个轻量级网络，以显著降低 3D 网络的计算成本，同时保持与现有 2D 网络相当的识别准确性，可以显著提高视频和图像识别任务的效率，并在 UCF-101，HMDB-51 和 Kinetics 数据集上达到了最先进的性能水平。

Jul, 2018

本文提出一种名为 “fabric” 的 CNN 架构，由 3D 网格状连接 Respons maps 而成，可嵌入指数级别数量的架构，并以集合方式共享权重，在 MNIST 和 CIFAR10 的图像分类以及 Part Labels 数据集的视觉语义分割任务中，表现竞争性的基准结果。

Jun, 2016

使用自注意力层动态转换光纤矩阵的坐标表示，以便进一步处理，证明了这种方法对多种光纤矩阵数据集的有效性。

Jun, 2024

该研究提出了一种名为 BGN 的捆绑列表生成网络，使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分，并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法，特别是在捆绑列表推荐问题中，将最佳竞争对手的精度平均提高了 16％，同时保持了四个数据集中最高的多样性，并使响应时间提高了 3.85 倍。

Apr, 2019

本研究提出了一种名为 BGCN 的图神经网络模型，可以使用异构图同时建模用户 - 项目交互，用户 - 套餐交互和套餐 - 项目关联，通过固定负样本采样进行训练，能够更好地区分用户对相似套餐的喜好，并且在两个真实世界数据集上展现了强大性能的提升

May, 2020

本研究提出了一种增强的神经隐式多视图重建模型 ——BundleRecon，该模型通过使用捆绑光线束的方式采样一组像素，从而充分利用邻近像素之间的信息，并设计基于光线束的约束以进一步提高重建质量。实验证明，该模型与现有的神经隐式多视图重建方法兼容，并且可以提高其重建质量。

May, 2023

介绍了一种使用深度学习和先验领域知识相结合的网络架构来解决 structure-from-motion (SfM) 问题，通过 Bundle Adjustment (BA) 加入特性度量误差来明确地强制执行多视角几何约束，并且使用新的深度参数化来恢复密集的逐像素深度。实验证明了该方法的成功。

Jun, 2018

通过引入一种名为 BrainNetDiff 的新方法，结合多头变换器编码器从 fMRI 时间序列中提取相关特征，并结合条件潜在扩散模型进行大脑网络生成，从图像到图形的融合，显著提高了大脑网络生成的准确性和稳定性，验证了该框架在构建健康和神经学受损队列中的大脑网络方面的适用性，实验证明了该方法在下游疾病分类任务中的显著效果，突出了大脑网络研究的前景价值，特别是在神经影像学分析和疾病诊断中的关键意义，为多模态大脑影像数据处理提供了有价值的参考，并为神经影像领域引入了一种新的高效解决方案。

Nov, 2023

通过将数据类折叠到未被占用的高维度中，神经网络的内部处理可以被看作是对 N 维度激活空间中的数据分布进行文字操作。带有 Origami 理论中著名定理的链接。

Mar, 2022

提出了一种基于束特定追踪图分布函数的新型追踪方法，使用高阶流线微分方程重建流线束，以集群为单位，以简化全局上的追踪过程，并获得更好的结果。

Jul, 2023