通过应用灰度共生矩阵来提取深度神经网络中的表面统计信息，以改善其在未知领域中的分类精度表现，并通过逆梯度方法和依靠灰度共生矩阵的正交子空间来进一步提升性能。

Mar, 2019

通过引入均衡分配的 EXPERT 层，使得大规模语言模型中的稀疏层更加简单。通过将词汇分配到专门的 EXPERT 模块中，可以将训练和推理的效率显著提高，同时避免了使用新的超参数或辅助损失的必要。

Mar, 2021

使用深度学习方法，利用近红外光谱数据，通过卷积神经网络从光谱数据中提取特征，数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试，结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异，同时定性研究表明 CNNs 核激活与著名的数据处理方法（如平滑、斜率 / 导数、阈值和光谱区域选择）相似。

Oct, 2017

我们提出了一种新方法，通过建模原始信号的梯度来实现更高效的存储和计算性能，使用稀疏的梯度进行视图合成，从而使计算性能提高了 100-1000 倍，同时可以通过解决一个具有线性计算复杂度的泊松方程来恢复二维图像。该方法在人体建模和室内环境建模等各种应用中都可应用。

May, 2024

通过使用 JLSPCADL 方法，利用 Johnson-Lindenstrauss 引理选择转换空间的维度，并使用 Modified Supervised PC Analysis 与 JL 确定的维度的投影转换矩阵，建立一个具有更好分类性能的优化特征空间和字典原子的适当畸变水平和相应的适当描述长度。

Aug, 2023

本文提出了一种基于低秩表示（LRR）和图拉普拉斯正则化（GLR）的高效优化方法，用于解决高光谱目标检测中的未知背景字典和空间信息利用不足的问题，实验证明了该方法的有效性和优越性。

Jun, 2023

本研究提出了一种基于可解释的 attention mechanism 的网络修剪方法，能在保持准确率的前提下实现模型压缩和加速，可适用于各种结构的深度神经网络。实验证明，在 Cifar-100 数据集上取得了最高的稀疏度和加速比，与最佳方法相比准确率相当；在 MNIST 和 LeNet 架构上也取得了最高的稀疏度和加速比。

Jan, 2019

通过引入动态切换层 (DSL) 扩展了 Gated Compression 层的优点，以应对无监督学习场景，从而实现了在不需要标记数据的情况下保持能源效率，并通过对数据的内在结构进行模型复杂度适应，为资源受限设备上的智能应用提供了一个重要解决方案。

Apr, 2024

本文提出了使用 BASELayers 的稀疏缩放架构来缓解多任务学习中高资源任务偏差的问题，并通过温度加热机制和密集预训练两种技术来提高多语言机器翻译的性能。该方法在两个多语言翻译基准测试中的收敛速度比标准的 BASELayers 和密集缩放基线快了两倍以上。

Oct, 2021

通过特征基匹配合成图 (GCEM) 方法，我们解决了现有方法在图神经网络 (GNN) 的合成图上存在的泛化能力差的问题，通过匹配真实图和合成图的特征基，消除了 GNN 的谱偏差，并保留了图的结构信息，大大缩小了不同 GNN 之间的性能差距。

Oct, 2023