本文介绍一种神经网络成长的过程，通过一种类似于生物发育的过程，使用神经发育程序 (NDP) 作为一种引导机制，进而自我组织神经网络。作者还探讨了这种方法在不同优化方法（进化训练，在线 RL，离线 RL 和监督学习）和不同机器学习基准上的实验表现，并强调了自组织驱动神经网络成长所带来的未来研究方向和机会。

Jul, 2023

介绍一种名为 D2NN 的动态深度神经网络，其允许对输入进行选择性执行以优化计算效率，同时借助控制器模块和整合强化学习的反向传播算法进行端到端训练以优化精度和效率。

Jan, 2017

通过生物学对神经元的性质进行深度学习网络的架构设计和实现，成功地解决了动态情境下的任务适应及多任务学习问题，进一步说明了神经元的生物学特征可以启示深度学习系统解决传统神经网络无法解决的动态场景中的问题.

Dec, 2021

本文介绍了一种高效的弱监督学习模型 Dynamic Adaptive Network Intelligence (DANI)，用于准确地学习数据中的显式和隐含关系，该模型在 bAbI 数据集的问答任务上取得了最先进的结果。

Nov, 2015

我们提出了一种动态结构发展的脉冲神经网络 (DSD-SNN) 模型，通过动态地分配和增长神经元，并删除多余神经元，提高内存容量，减少计算开销，实现高效自适应的连续学习。我们的模型在多类增量学习和任务增量学习方面验证了其有效性，显著提升性能、学习速度和内存容量，同时在与现有方法的比较中，与基于深度神经网络 (DNNs) 的方法具有可比较的性能，并且明显优于基于脉冲神经网络 (SNNs) 的现有方法的性能。

Aug, 2023

本文强调了人脑的二维进化对于深度神经网络的进化建模的重要性，提出了通过进化算法对深度神经网络进行自动构建的研究前沿，并探讨了 dropout 方法和神经发生与 DNNs 进化之间的联系，为增强深度神经网络的自动构建提出了几项建议。

Apr, 2023

介绍了一种动态记忆网络 (DMN) 神经网络架构，它处理输入序列和问题，形成情节性记忆，并生成相关答案，用已训练的词向量表示和输入 - 问题 - 答案三元组训练，能在自然语言处理中取得最先进的结果。

Jun, 2015

本文综述了动态神经网络在深度学习领域的最新研究进展和主要研究方向，分析了其在计算效率和适应性等方面的优势，总结了架构设计、决策方案、优化技术和应用开发等方面的研究问题以及未来发展的方向。

Feb, 2021

本文提出了一种深度连续学习算法 ADL，它采用灵活的结构，通过自构建网络结构从头开始构建网络。ADL 通过不同深度结构来解决灾难性遗忘问题，并提出了 NS 公式、DDS 和 MICI 方法来驱动隐藏节点增长和剪枝机制、检测数据流中的分布变化并消除冗余层。在九个常见的数据流问题上进行的测试表明，ADL 能够在维持网络结构自动构建的同时，比其他现有的连续学习方法更具实效性。

Oct, 2018

通过激活最大化算法，使用深度生成网络为神经网络内部的感知器学习特征提供先验知识，可以生成高质量的合成图像和可解释的特征，同时作为一种高质量的生成方法。

May, 2016