通过将原始的 EEG 通道转化为二维空间拓扑图，将 EEG 数据转化为包含时空信息的三维排列，并使用 3D 深度卷积神经网络（DenseNet-3D）提取被关注位置的神经表示的时空特征。结果表明，该方法在常用的 KULeuven（KUL）数据集上以 1 秒决策窗口取得了比最先进方法（XANet 的 90.6%）更高的解码精度（94.4%），我们的工作代码可以在 GitHub 上获取。

Sep, 2023

本篇论文提出了一种新的 Shallow-Deep Attention-based Network (SDANet) 来对不同刺激下的 EEG 信号进行正确分类，它采用了 Attention-based Correlation Module (ACM) 来全局地发现听觉语音和 EEG 信号之间的关系，并且使用了 Shallow-Deep Similarity Classification Module (SDSCM) 基于浅层和深层学习得到的嵌入来决定分类结果。同时，还使用了多种训练策略和数据增强来提高模型鲁棒性，并在 Auditory EEG challenge 提供的数据集上进行了实验验证，结果表明该模型在匹配 - 不匹配轨迹方面比基线模型有显著的提升。

Mar, 2023

本文提出了一种受听觉皮层启发的混合卷积神经网络 - 脉冲神经网络（CNN-SNN）器件，使用 EEG 数据及多说者语音包络成功计算出空间定位，并取得了 91.03% 的高精度，同时相较于传统方法，参数使用降低了 15%，存储空间降低了 57%，并具有较大的应用潜力，特别推荐应用于智能助听器等装置上。

Jul, 2023

我们提出了一种基于动态领域自适应的深度学习网络 (DADL-Net)，通过 3D 卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。通过引入最大均值差异损失函数，以及对目标域数据的部分微调，解决了脑机接口中相邻通道的相关性表示和个体差异的问题，在 BCI 竞赛 IV 2a 和 OpenBMI 数据集上验证了该方法的性能，分别达到 70.42% 和 73.91% 的准确率。

Sep, 2023

提出一种基于对比学习的迭代图形自蒸馏方法（IGSD），可以在无监督情况下自动学习图形级别的表示，并且将其扩展到半监督情况和自训练中，实验表明，在各种图形数据集中，IGSD 在无监督和半监督设置下均获得了显著的性能提升，证明其优越性。

Oct, 2020

我们提出了一种名为双重知识蒸馏的方法来开发高效的声音事件检测（SED）系统，其中包括了时间平均知识蒸馏（TAKD）和嵌入增强特征蒸馏（EEFD），该方法在仅有基准模型参数的三分之一的情况下，在 DCASE 2023 Task 4A 公共评估数据集上展示出卓越的性能，突出了双重知识蒸馏对于紧凑型 SED 系统的重要性，这对于边缘设备非常理想。

Feb, 2024

我们提出了一种名为 Self-Contrastive Graph Diffusion Network（SCGDN）的新框架，其中包含 Attentional Module 和 Diffusion Module 两个主要组件，以实现高效的嵌入和节点状态的平衡，并避免采样偏见和语义漂移，综合利用结构和特征信息进行抽样，并最小化嵌入中的冗余信息以保留更有区分能力的信息。实验结果表明，SCGDN 相比于对照方法和经典方法具有更好的性能。

Jul, 2023

提出一种动态基于图的空间 - 时间注意力方法 (DG-STA)，用于手势识别，其关键思想是从手骨架中首先构造一个全连接图，然后通过在空间和时间领域中进行自我注意机制自动学习节点特征和边，进一步提出利用关节位置的空间 - 时间线索以保证在挑战性条件下的鲁棒性。此外，还应用了新颖的空间 - 时间掩码，以显着降低 99% 的计算成本。在基准 (DHG-14 / 28 和 SHREC'17) 上进行了广泛实验，并证明了我们的方法相对于最先进的方法的卓越性能。

Jul, 2019

本文提出了基于邻近差异率（NDR）的自适应差异保留（ADR）正则化器以加强知识的传递，进而提出了一种基于 GNN-SD 框架的通用图神经网络知识蒸馏方法，它在减少训练成本的同时实现了领先的蒸馏效果，并为多种流行的骨干网路提供了一致有效的性能增强。

Nov, 2020

本文提出一种基于标签引导的注意力蒸馏方法（LGAD），用于训练分割网络以更好地捕捉诸如车道标记之类的长程上下文信息。通过将标签结构信息嵌入教师网络中，并利用其注意力图作为学生网络的监督信号，能够显著提高学生网络的训练效果。

Apr, 2023