本研究提出了一种新的模型 HyperBox，用于学习盒子嵌入以实现寻找单词的上位词，经过实验证明，在医学和音乐领域的性能明显优于现有方法，并具有良好的泛化性能。

Apr, 2022

提出了一种基于端到端训练的神经网络的方法，该方法通过将黑盒函数的功能与可微分的神经网络进行逼近，以驱动神经网络遵守黑盒函数接口。在推理时，将不可微分的外部黑盒替换为其可微分的估计器，通过此方法，可以在无需中间标签的情况下，训练一个神经网络，从而计算黑盒功能的输入，并且这种综合模型比完全可微分的模型泛化效果更好，并且相对于基于强化学习的方法学习效率更高。

Jan, 2019

我们提出了 NeuronaBox，一种灵活、易用且高逼真的 DNN 训练工作负载仿真方法，通过在一部分真实节点上执行训练工作负载并模拟网络执行环境以及集体通信操作，可以准确观察性能。初步结果显示，NeuronaBox 与实际系统行为高度一致，仿真测量与真实系统之间的误差小于 1%。

May, 2024

本文通过训练具有反映人类知觉不确定性的完整标签分布来解决深度神经网络在泛化和鲁棒性方面存在的问题，并呈现了一个新的基准数据集 CIFAR10H。实验结果表明，基于该数据集的显式训练可以实现深度学习分类器具有人类的不确定性，并提高模型泛化性和抵御对抗攻击能力。

Aug, 2019

提出了一种新的算法，称为 BoxGNN，通过组合逻辑操作来执行消息聚合，从而融合高阶信号，并通过基于体积的学习目标和 Gumbel 平滑技术来优化盒子的表示。在两个公开数据集和一个 LLM 增强的电子商务数据集上的大量实验验证了 BoxGNN 相对于各种最先进的基线方法的优越性。

Jun, 2024

本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络，该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制，更高效地捕捉数据的分层结构，并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。

Jun, 2020

论文提出了一种端到端的神经网络优化框架，通过同时考虑分类误差和批量激活损失，使用 Gumbel 重参数化来学习网络结构，在训练和推理中均能支持网络修剪与条件计算，实验结果在 ImageNet 分类任务中获得了 45-52% 的计算量降低。

Dec, 2018

本论文提出了一种新的生成范式，即使用 token-level 符号数据存储器来扩充基础神经模型，已在机器翻译中取得了有优异的成果。我们介绍了一个名为 kNN-BOX 的统一框架，该框架将数据存储增强方法分解为三个模块，并提供了七种流行的 kNN-MT 变体的实现。实验结果表明，使用 kNN-BOX 可以在各种生成任务中显著提高性能。

Feb, 2023

使用卷积神经网络的数据驱动语义方法，提出一种提高目标建议排名的新框架 “DeepBox”，可以显著提高目标检测平均准确度，并在保持较高召回率的同时大幅降低计算时间。

May, 2015

本文研究使用盒子嵌入（box embeddings）模型来更好地捕捉细粒度实体类型之间的复杂相互依存关系，并与矢量嵌入模型进行比较，在几个实体类型基准测试中表现出最先进的性能和更好的预测一致性和置信度。

Jan, 2021