基于嵌入层增强的 ELM 模型在 CTR 任务中表现出色，同时显著减少训练时间，特别适用于快速训练的情况。

Jun, 2024

Developed a probabilistic framework for deep learning based on the Deep Rendering Mixture Model (DRMM), which captures variations in data due to latent task nuisance variables and provides a principled route to the improvement of deep convolutional neural networks (DCNs). The DRMM is a powerful alternative to DCN back-propagation, leading to faster training and achieving superior accuracy in supervised digit classification along with state-of-the-art results on the MNIST benchmark and competitive results on the CIFAR10 benchmark in semi-supervised and unsupervised learning tasks.

Dec, 2016

提出了一种用于解决偏微分方程的极限学习机（ELM）方法，通过使用单隐藏层前馈神经网络预设隐藏层中的权重 / 偏置系数并使用线性最小二乘方法来训练神经网络的输出层参数，提高了 ELM 的训练速度。同时，引入非重叠域分解方法（DDM），结合本地神经网络和辅助变量，在大规模系统中实现高逼近质量。实验结果验证了该方法在加速性能方面的有效性。

Jun, 2024

介绍了一种新型条件生成模型（Neural Boltzmann Machines），可以很好地解决噪声离散或连续数据，使用随机梯度下降法进行训练，尤其在正常分布数据方面表现优越。

May, 2023

本研究提出了单调 Deep Boltzmann machines，架构允许全连接的权重结构的高效（近似）推理，可用于图像联合完成和分类。

Jul, 2023

通过凸优化过程将数据集的主要方向整合到低秩 RBM 中，从而通过静态蒙特卡罗过程实现平衡分布的高效采样，成功训练 RBM 来捕捉之前方法失败的高度结构化数据集中的全部多样性，并提出了一种新的采样方法 - 平行轨迹调整，使得能够比之前的 MCMC 方法更快地采样训练模型的平衡分布并更好地估计对数似然。

May, 2024

利用概率计算机（p-computer）和意味场理论（Mean-Field Theory）辅助学习算法，该研究提出了用于训练难以处理的波尔兹曼机（Boltzmann Machines）的方法以及在可扩展的伊辛机器（Ising machines）中的应用。

Jan, 2024

本文介绍了深度学习方法如何应用于众包和无监督集成学习，证明了在 Dawid 和 Skene 模型下，假定所有分类器是条件独立的，等价于具有单个隐藏节点的受限玻尔兹曼机 (RBM)，提出了采用基于 RBM 的深度神经网络 (DNN) 的方法来解决分类器强烈违反条件独立性假设的问题，实验结果表明，我们提出的 DNN 方法在各种模拟和实际数据集上表现优异，尤其是当数据违反条件独立性假设时。

Feb, 2016

本文描述了如何使用更高效的马尔可夫链蒙特卡罗算子来训练受限玻尔兹曼机 (RBM)，以有效地处理自然语言处理中的高维度多项式观察值，通过在数百万个单词 n-gram 上训练 RBM，并使用所学特征来提高分块和情感分类任务的性能，从而实现了后一项的最新成果。

Feb, 2012

本篇论文研究基于能量的语言模型在语音识别中的应用，使用现代化的 Transformer 网络和预训练模型 BERT 和 GPT2 对模型进行改进和调整，并探究不同的能量函数构架和训练方法。

May, 2023