介绍了一种新型球形卷积神经网络，使用自旋加权球形函数，实现在球形空间内的非均向滤波，适用于分类球形图像、3D 形状和球形全景图像的语义分割，并在实验中展现了优越性。

Jun, 2020

提出在深度卷积神经网络中通过共享卷积层核来减少可训练参数数量和内存占用的方法，既能够缓解边缘计算内存限制，又能有效地防止过拟合。实验证明该方法能够在保持精度的情况下大幅减少模型大小。

Oct, 2022

本文介绍了 Efficient Graph Convolution（EGC），它是一种等向性图神经网络，通过使用空间可变自适应滤波器，始终优于可比较的非等向性模型，包括流行的 GAT 或 PNA 结构，提高了模型精度，降低了内存消耗和延迟，并具有加速器实现的特点，适合于现有结构的替代方案，并讨论了我们工作对社区提出的重要问题。

Apr, 2021

本文提出了 SPINN 系统，利用分布式计算和渐进推理方法共同实现设备云协同计算，并引入了一种新的调度程序，通过合理设置早期退出策略和 CNN 分割，以适应动态条件和满足用户定义的服务水平要求，以达到快速和强大的 CNN 推理。定量评估表明，在不同网络条件下，SPINN 的吞吐量高达其最先进的协作推理对手的 2 倍，将服务器成本降低了多达 6.8 倍，并在延迟限制下提高精度 20.7％，同时在不确定的连接条件下提供稳健操作和与云为中心的执行相比显著的节能。

Aug, 2020

对图像进行极坐标变换后，利用卷积神经网络进行太阳辐射预测比进行数据旋转增广的方法具有更高的预测准确率和更短的训练时间。

Nov, 2021

本研究介绍了一种可学习的几何无关模块 ——SPIN，该模块允许神经网络主动变换输入强度颜色，以解决场景文字识别任务中的色彩困难问题，并与现有的空间变换模块协同工作，实验结果表明，使用 SPIN 可以显著提高多个文本识别基准的性能。

May, 2020

本文介绍了一种新的网络结构 —— 球面卷积网络，用于处理具有旋转不变性的分类问题，并通过在球面上进行卷积和旋转权重共享来实现旋转等变性。实验结果表明，球面卷积网络在处理类似于 MNIST 的数据集时具有很高的准确率。

Sep, 2017

通过重新参数化神经网络中的 Fisher 信息矩阵，结合 Elastic Weight Consolidation 技术，实现解决序列任务学习中的灾难性遗忘问题，并在 MNIST、CIFAR-100、CUB-200 和 Stanford-40 数据集上进行实验证明，我们的方法明显改善了标准 Elastic Weight Consolidation 的结果，在不遗忘的连续任务学习中达到了同等竞争水平。

Feb, 2018

基于均匀空间理论，我们得出了在灵活的消息传递框架中使用的几何最优边属性，将卷积网络中的权重共享定义为在应该等同处理的点对上共享消息函数的共享点对的等价类，并导出能够唯一标识这些等价类的属性。我们通过在处理 3D 点云时开发了一种高效的等变群卷积网络来应用这一理论。在三个不同的基准测试中，即原子间势能预测、N 体系统轨迹预测和通过等变扩散模型生成分子，我们以准确性和速度方面达到了最先进的结果。

Oct, 2023

本研究提出了一种基于球面构建的扩散网络来处理球面数据，该网络具有旋转等变性和计算可扩展性，并且可以与卷积神经网络（CNNs）相结合，使其可以适用于具有高分辨率球面信号的实际应用中。

Feb, 2021