该研究通过为卷积层添加任务特定的门控模块，并使用稀疏性目标促进对有限内核集的选择，提出了一种解决序列学习问题的新框架，实现了在没有任务标签信息的情况下的持续学习，该模型的准确度明显优于现有方法。

Mar, 2020

通过细粒度分层的对卷积特征进行条件开 / 关设置和匹配预设分布的批量形状代码，我们提出了可训练大容量神经网络的新方法，从而大幅提升准确性而降低动态运算代价，其效果已在 CIFAR-10、ImageNet 和 Cityscapes 等数据集上得以验证。

Jul, 2019

本研究利用强化学习作为优化条件计算策略的工具，通过使用策略梯度算法，以求得在计算速度上做到简约化激活且保持预测准确性的最优策略，并提出了鼓励样本多样化的正则化机制以实现机器学习模型在计算速度上的加速。

Nov, 2015

本文提出了一种利用早期退出支路来降低计算量的方法，并在两种最先进的生成任务模型上应用，即从语义映射中生成和面部表情的交叉重演，可以输出具有自定义较低质量阈值的图像，尤其适用于实时应用场景。

Apr, 2023

该文提出了一种自适应推理图的卷积网络 (CNN)，根据输入图像动态定义其网络拓扑结构，通过将相关类别的参数分组到一起并仅执行相关层，从而提高了效率和分类质量，并对自适应推理图对抗情况的鲁棒性进行了研究。

Nov, 2017

本文提出了一种称为条件卷积层的卷积神经网络方法，该方法通过不同的权重生成不同的特征图，并通过简单而有效的方法进行条件调整，从而可以更有效地处理条件特征，金实验结果表明，使用提出的条件卷积层的生成模型可以比使用标准卷积层更好地生成类别相关的图像。

Jun, 2019

本文提出了一种名为 GaterNet 的借助于门控网络实现的动态卷积神经网络滤波器选择框架，通过丰富 CNN 模型的学习方式，提高了模型性能并得出了比原论文更好的实验结果。

Nov, 2018

我们提出了条件幂等生成网络（CIGN），这是一种新颖的方法，扩展了幂等生成网络（IGN）以实现条件生成。CIGN 通过引入条件机制来解决 IGN 的限制，使用户能够控制生成数据的内容。我们在理论上建立了 CIGN 的基础，概述了其范围、损失函数设计和评估指标。然后，我们提出了两种潜在的用于实现 CIGN 的架构：通道条件和滤波器条件。最后，我们讨论了在 MNIST 数据集上的实验结果，展示了这两种方法的有效性。我们的研究结果为进一步探索在更大的数据集和更强大的计算资源上进行 CIGN 的优化实现策略铺平了道路。

Jun, 2024

这篇论文总结了将条件计算方法应用于神经网络设计的新兴领域的原理和思想，特别关注可以根据输入动态激活或停用计算图的部分的神经网络。论文介绍了三种显著的实现方法：专家混合网络，令牌选择机制和提前终止神经网络，并分析了这些模块化设计在效率、可解释性和迁移学习方面的优点，重点关注从自动科学发现到语义通信等新兴应用领域。

Mar, 2024

通过使用一种新的网络模型，即条件可逆神经网络，我们可以对特定条件下的自然图像生成进行有效的前处理，以便于训练出不会出现模式崩溃并生成多样化图像的模型。同时，我们利用双向 cINN 架构探索和操作潜在空间的新特性，例如通过直观方式改变图像风格。

Jul, 2019