我们提出了一种基于无监督自动学习的方法，可以学习出具有小样本复杂度的好的表示方法，在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板，可以对每个图像块计算一种不变而又唯一的（有区分性的）签名，从而从很少的有标记例子中学习图像识别。

Nov, 2013

本文介绍了一种基于逻辑背景知识和可微化的改进函数的学习方法，以提高神经网络在训练和测试中的预测准确性，其中涉及迭代局部细化算法及应用于 MNIST 加法任务的结果。

Jun, 2022

提出了一种不同 iable 渲染方法以从 RGB 图像中直接学习暗示形状和纹理表示形式的三维重建，其可以用于多视角 3D 重建并产生完美的网格结果。

Dec, 2019

本文提出了一种不依赖于 forward iteration 层区分前向计算和反向传递并解决 Value Iteration Network 和其变体中大规模问题的不同 iable planning 方法，该方法通过 Bellman fixed-point 方程进行不同 iation，使得计划范围内反向传递的成本恒定，并且前向预算灵活，最终证明了该方法在多个规划任务中的优越性。

Oct, 2022

该文介绍了一种使用隐式神经表示和超网络获取图像的不变语义表示的方法，该方法可以在任意或随机旋转和平移的图像中获取方向不变的语义表示，并与 SCAN 结合，获得最新的无监督聚类结果。

Apr, 2023

我们引入了可微间接寻址 —— 一种新颖的学习原语，它使用可微的多尺度查找表作为传统图形流水线中计算和数据操作的有效替代方法。我们展示了它在几个图形任务中的灵活性，即几何和图像表示、纹理映射、着色和辐射场表示。在所有情况下，可微间接寻址可以无缝集成到现有架构中，快速训练，并产生多样化和高效的结果。

Sep, 2023

本文旨在研究用结构性表示学习的方法，具体分为解缠结表示与面向对象表示两个方向，以实现从非结构化数据中提取潜在结构信息的目的，同时还探讨了该方法对预训练表示和下游任务泛化能力的提升以及其对于大规模数据的高效表征学习的应用。

Apr, 2023

通过双层优化和隐式路径对齐算法的应用，研究公平表征学习的角度，保证了最优预测器对于不同子组是不变的，并且证明了所提出的双层目标满足充分性规则，同时在分类和回归设置中得到了经验验证。

May, 2022

讨论可从数据中自动学习的数据表示，具有不变性和选择性。此文章的数学结果加强了最近传感皮层前馈处理理论的一些关键论断。

Mar, 2015

本文介绍了一种基于规范理论（gauge theory）的优化算法，用于加速表示学习模型在时间序列数据上的收敛速度，并提高诸如矩阵分解和词嵌入模型的解释性。此外，还介绍了一种将现代文字转换为历史词汇的应用实例。

Mar, 2018