本研究调查了使用概率神经网络（PNN）来建模巧合不确定性的方法，PNN 生成目标变量的概率分布，能够在回归场景中确定预测均值和区间，实验证实了 PNN 在建模巧合不确定性方面的有效性，特别是在真实科学机器学习环境中，PNN 产生接近 0.97 的高精度输出均值估计和 0.80 的预测区间的高相关系数，为利用神经网络的复杂表示能力来揭示科学问题中的复杂输入输出关系的持续探索做出了贡献。

Feb, 2024

本文旨在探讨深度神经网络以及与之相关的 0-1 混合整数线性规划模型，并描述了一种有效的边界紧缩技术，旨在促进其解决方案。文中还介绍了 0-1 混合整数线性规划模型在特征可视化和对抗样本构建中的可能应用，并针对手写数字识别这一已知的测试用例，报告了关于使用最先进的混合整数线性规划求解器在小规模 DNN 上的计算性能的初步结果。

Dec, 2017

研究使用观测数据从一组离散处理选项中学习最优策略的问题。我们提出了一种分段线性神经网络模型，可以平衡强的规定性能和可解释性，称为规定性 ReLU 网络或 P-ReLU。通过实验，我们验证了 P-ReLU 相对于竞争基准的更高规定准确性。

Jun, 2023

本文提出了一种基于产品的神经网络模型（PNN），通过嵌入层来学习分类数据的分布式表示，通过乘积层来捕获领域之间的互动模式，并进一步完全连接的层来探索高阶特征交互，实验证明在两个大规模实际广告点击数据集上，PNN 模型在各种指标上都优于现有的基准模型。

Nov, 2016

物理神经网络（PNN）是一种利用物理系统特性进行计算的类神经网络，其有潜力在现代人工智能领域引发革新，尤其在训练大规模的 AI 模型以及探索新的训练技术方面尤为重要。

Jun, 2024

本文介绍了基于全连接和卷积神经网络的一套神经网络结构，即 Prediction Neural Networks Set（PNNS），用于图像内预测；研究表明，虽然全连接神经网络在预测小块大小的图像时表现良好，但卷积神经网络在复杂纹理的大块上提供更好的预测。将 PNNS 集成到 H.265 编解码器中，可以获得从 1.46％到 5.20％的 PSNR - 率性能提高。与 H.265 内部预测模式不同，PNNS 能够模拟大量复杂的图纹。

Jul, 2018

利用图神经网络（GNN）算法，该研究在医学和健康领域创新性地整合了图神经网络技术，并通过挖掘患者的临床特征、基因信息和生活习惯之间的复杂关联，构建了高精度的患者健康状况表示模型。实验证实，相比传统机器学习方法和单一图神经网络模型，该个性化医学决策算法在疾病预测准确性、治疗效果评估和患者风险分层等方面表现出显著优越性。

May, 2024

提出了一种新颖且轻量化的神经网络模型 —— 自然参数网络 (NPN)，它允许使用任意指数族分布来建模神经元和权重，并且通过层之间的变换来生成与目标输出分布匹配的后验分布，实验结果表明，NPN 可以在现实世界的数据集上实现最先进的性能。

Nov, 2016

本研究介绍贝叶斯神经网络的实现方法，比较不同的近似推理方法，探讨如何在当前方法的基础上改进未来研究。

Jun, 2020

从电子健康记录（EHR）中预测健康风险是近期感兴趣的话题。深度学习模型通过建模时间和特征交互取得了成功，然而，这些方法在对少量就诊或稀疏记录患者的表现方面，学习到的表示存在不足，导致性能欠佳。受到医生可能将患者与典型患者进行比较并从相似病例中做决策的启发，我们提出了逐步原型网络（PPN），以选择典型患者作为原型，并利用他们的信息来增强给定患者的表示。特别地，我们提出了逐步原型记忆和两个原型分离损失来更新原型。此外，我们引入了一种新的集成方法，以更好地融合来自患者和原型的信息。三个真实数据集上的实验证明了我们模型在所有指标上的改进。为了使医生更好地理解我们的结果，我们开发了一个应用，网址为 http URL。我们的代码已经在此 https URL 上发布。

Dec, 2023