本文提出了一种新型的混合神经 SDF 表示方法 SPIDR，专门用于解决 NeRF 方法在渲染图像中难以显示物体形状、反射和光照等属性的问题，并结合阴影映射技术和神经隐式模型来更精准地进行几何编辑和场景照明更新。

Oct, 2022

本文提出了一种名为 SPEDER 的替代谱方法，它从动态中提取状态 - 动作抽象，同时平衡学习过程中的探索与利用，并在在线和离线设置中证明了其样本效率及在多项基准测试中的优越性能。

Aug, 2022

本文通过使用深度神经网络结合稀疏规则化技术，针对非线性偏微分方程的解进行了数值研究，结果表明该方法在求解 Burgers 方程和 Schrödinger 方程时能够生成稀疏且准确的解。

Jul, 2022

本文介绍了一种基于 Riemannian 网络架构的 SPD 矩阵非线性学习方法，使用双线性映射层、特征值矫正层和特征值对数层，使用基于 Stiefel 流形的变体随机梯度下降法来训练此深度网络。实验证明，该网络简单易用，并在三个典型的视觉分类任务中优于现有的 SPD 矩阵学习和现有最先进的方法。

Aug, 2016

地理空间特征表示对于集成地理定位数据的任何机器学习模型都是至关重要的，本研究提出了一种新的全球分布地理数据的位置编码器，结合球面调和基函数和正弦网络表示网络 (SirenNets)，以学习双傅立叶球嵌入。

Oct, 2023

提出了一个名为 SpodNet 的新型通用学习模块，具有保证的 SPD 输出，还能学习比现有方法更多的函数类别，成功解决了联合学习 SPD 和稀疏矩阵的挑战任务。

Jun, 2024

本研究提出 DSpERT（Deep Span Encoder Representations from Transformers），使用预训练语言模型的权重初始化，利用 Transformer 架构和检索式编码在命名实体识别任务上实现了高性能，特别是在长跨度实体和嵌套结构方面表现出色。

Oct, 2022

该研究提出了一个深度网络，以端到端的训练过程共同学习局部描述符、基于核矩阵的 SPD 表示和分类器。实验结果表明，深度局部描述符与基于核矩阵的 SPD 表示法的优越性，以及所提出的深度网络在追求更好的 SPD 表征方面的优势。

Nov, 2017

本研究提出了一种名为 SPIRAL 的语音预训练方法，它采用带噪数据的教师 - 学生框架学习去噪表示，通过对输入施加随机扰动来提高噪声鲁棒性，达到了与当前最优方法 wav2vec 2.0 相当或更好的性能并大幅降低了训练成本。

Jan, 2022

本文介绍了一种新的数据表示方法 —— 隐式神经表示法，经过结构优化后，可以对比 JPEG 等传统压缩方法得到更好的压缩效果，并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法，实现了在不同数据模态下的卓越表现。

May, 2022