在大规模工业应用中，我们提出了改进版 DCN（DCN-V2）框架，以便更高效地学习特征交互。经广泛超参数搜索和模型调试等实验验证，改进版 DCN-V2 算法表现优于当今所有最新算法。该算法更具表现力，仍然具有成本效益，在低秩架构的混合耦合情况下，可用作构建块，并在 Google 的许多大规模学习排名系统中提高了离线精度和在线业务指标。

Aug, 2020

该论文提出了 Differentiable Neural Input Search（DNIS）方法，通过连续弹性和可微分优化在更灵活的空间内搜索混合特征嵌入维度的相对重要性，并且在模型验证性能的基础上优化。实验结果表明，相较现有的神经输入搜索方法，DNIS 在更少的嵌入参数和更少的时间成本下获得了最佳预测性能。

Jun, 2020

该研究提出了一种称为块状特征交互（BFI）的新方法，将特征交互过程分成较小的块，以显着降低内存占用和计算负担，并在四个变体（分别为 P、Q、T、S）中进行了实证比较，证明该算法可以显著减少计算开销和参数数量，而且具有与标准 DCNv2 近似的准确性，为提高特征交互效率提供了实用解决方案。

Jun, 2023

DHEN 是一种深度和分层集成架构，可以利用异构交互式模块的优势，并以不同顺序学习交互作用的层次结构。在大规模的 CTR 预测任务中进行的实验表明，DHEN 的效果很好，达到了预测的标准化熵（NE）提升了 0.27％，训练吞吐量比现有技术基准提高了 1.2 倍。

Mar, 2022

本文介绍了一种新型深度神经网络 ——Deep & Cross Network (DCN)，能够在保留 DNN 模型优势的基础上，引入有效的交叉网络来学习有限次数特征交互，不需要进行手动特征工程，且几乎不会增加 DNN 模型的复杂性，针对 CTR 预测数据集和密集分类数据集进行了实验，结果表明该模型在模型精度和内存使用方面都优于当前最先进的算法。

Aug, 2017

DNA 是一个可搜索匹配网络和加速器，以最大化任务准确性和加速效率的不同 iable Network-Accelerator 同步搜索框架，在 FPGA 和 ASIC 合成中以高于 SOTA 的准确性和 FPS 为代价降低搜索时间

Oct, 2020

通过提出基于任务的端到端的 NAS 方法定义，我们提出了 DSNAS，一个高效的可微分 NAS 框架，不仅可以同时优化架构和参数，而且还可以减少模型训练时间，并在 ImageNet 数据集上达到了与现有方法同等的准确率。

Feb, 2020

利用图神经网络方法和基于 L0 激活正则化的边缘预测技术，自动检测有益于提升推荐准确性的特征交互作用，取得了比现有方法更好的准确性表现。

Aug, 2020

本文提出了离散可微分神经架构搜索新方法（DDNAS）进行文本表示和分类的优化，并采用互信息最大化的离散化层来对文本表示中的潜在分层进行建模。实验证明，DDNAS 可显著优于现有的最先进的 NAS 方法。

Jul, 2023

本研究基于一个大型数据库，通过开发学习模型 SASNet，改进了蛋白质相互作用预测的方法，证明了现有模型的性能不足以适用于大尺度数据，新模型展现出更好的性能。

Jul, 2018