提出一种多方计算协议，旨在处理在具有实际数据时出现的不一致性，同时保护医疗数据的隐私和安全，其中采用了神经网络的三种方法进行了分析和比较。

Mar, 2023

本文提出了一种名为 DART 的训练策略，它先使用不同的增强（或域）训练不同的模型，然后将它们的权重聚合起来，以获得更好的泛化性能。该方法不仅在内部领域泛化方面取得了改进，而且在流行的 DomainBed 框架中，我们还展示了域泛化基准的 SOTA 性能。

Feb, 2023

本研究提出了一种基于元学习的转移学习方法，可以在异构架构和任务之间自动学习来自源网络的知识应该转移到目标网络的哪个位置，该方法在多种数据集和网络架构上都显著优于手工制定的传统方法。

May, 2019

该研究提出了两种方法可以将具有不同知识的神经网络的信息合并，一个是通过加权和的简单操作，另一个是通过修改权重来转移知识；这些方法被应用于分类等任务，并证明其效率。

Sep, 2018

研究了 Deep Set 学习的核心组成部分：聚合函数；提出并检查了替代常用聚合函数的方法，包括可学习的循环聚合函数，并在实验中发现 Deep Set 网络对聚合函数的选择非常敏感：在改善性能的同时，我们发现可学习的聚合函数可以降低超参数的敏感度，并更好地推广到分布外的输入大小。

Mar, 2019

该研究通过匹配梯度实现新数据集的快速训练，实现了深度神经网络的计算效率提高，进一步分析了不同参数下模式的变化。

May, 2023

该论文提出了一种新的方法，将迁移学习视为学习聚类的问题，通过相似性信息的迁移学习和聚类网络的学习，实现了跨领域和跨任务的转移学习。作者使用了相似性网络和两种新方法来探究无监督域自适应和跨任务学习，并在该领域展现了最新成果，将其与其他算法进行比较。同时，该方法可以应用于不同的数据集，从而增加了灵活性和稳健性，并通过进一步与域适应法相结合，获得了更好的性能。

Nov, 2017

该论文提出了一种利用神经网络进行优化的方法，该方法通过共享模型参数和特征表示来训练多个神经网络模型，以解决多个相关任务。论文引入了共同信息的概念，并提出了一种新的模型训练方法，通过添加一个额外的重构阶段和重构损失，将共同信息重新构建出来。该方法鼓励学习到的特征具有通用性和可迁移性，因此可以用于有效的迁移学习。通过数值模拟，研究了在不同应用领域上的性能表现。结果表明，该方法在数据和模型复杂度方面非常高效，能够抵抗过拟合，并且具有竞争性能。

Mar, 2024

本文探讨了如何将深度卷积神经网络用于时间序列分类任务，并提出了一种新的动态时间规整方法来指导迁移学习中的源数据集选择，结果表明迁移学习可以提高模型的准确性。

Nov, 2018

本文提出一种采用路由 - 接受策略来动态聚合层信息的方法，将其实现于 Transformer 神经机器翻译模型之上，并在常用数据集上测试，结果表明该方法在多语言翻译上表现优异。

Feb, 2019