该论文提出了一种将依赖性结构有效整合到预训练模型中用于更好地建模复杂语义匹配关系的方法，即依赖增强自适应融合注意力方法（DAFA），并将其应用在 BERT 上，在 10 个公共数据集上实现了最先进或具有竞争性的性能。

Oct, 2022

多源跨语言迁移学习中，通过语言转移从多个标记的源语言传递任务知识到一个未标记的目标语言。本文提出了一种分离和自适应网络（DA-Net），通过反馈引导合作解缠方法清洁分类器的输入表示，从而减轻多个源的干扰；并提出了一种类别感知的并行适应方法，对每个源 - 目标语言对齐类别级别的分布，从而减轻语言对之间的语言差距。实验结果验证了我们方法的有效性，涉及 38 种语言的三个不同任务。

Mar, 2024

本文提出了一种新型神经模型 - Dynamic Fusion Network （DFN），用于机器阅读理解，并使用动态多策略注意过程进行多个步骤的推理来生成答案，发现 DFNs 可以比其他流行的机器阅读理解模型更有效地生成从问题、段落和候选答案中总结信息的注意力向量，并取得了 RACE 数据集中的最佳结果。

Nov, 2017

研究通过引入共享专有网络和动态融合网络，明确利用多领域数据，提高每个领域和未见过领域的性能，以及在较少训练数据情况下的可移植性，从而为多领域对话的研究提供了一种先进方法。

Apr, 2020

本文介绍了一种基于 AF2-S3Net 的端到端编解码 CNN 网络，用于 3D LiDAR 语义分割，并在大规模 SemanticKITTI 基准测试上展示了其优越性能。

Feb, 2021

提出了一种新颖的域适应预测框架（Domain Adaptation Forecaster，DAF），该框架利用统计上的优势，从具有大量数据样本的相关领域（源）汲取经验，从而提高目标领域（带有有限数据量的）的性能，实现了对源和目标域的联合培训，并展示了在各种领域上的出色表现。

Feb, 2021

本文提出了一种名为 Memory Fusion Network (MFN) 的神经结构，通过特殊的 attention 机制 Delta-memory Attention Network (DMAN) 以及多视图门控记忆来显式地涵盖多视图序列中的视图间及视图内交互，并在多个公开数据集上展现出优于其他现有模型的表现，成为新的多视图数据集的最佳模型。

Feb, 2018

本研究提出了一种自适应融合网络，利用人脸显著区域的掩码来增强 2D 和 3D 局部特征，通过设计的调制向量自动学习，以及计算重要性权重的新型融合策略可以在卷积层中执行自适应融合。实验结果表明，该方法在 BU-3DFE 和 Bosphorus 数据集上具有最先进的性能并且需要较少的参数。

May, 2022

利用双重关注 (dual attention) 的方法，我们在本研究中探索了一种新型网络 (DA-Net)，用于提取多元时间序列分类的局部和全局特征。DA-Net 由 Squeeze-Excitation Window Attention (SEWA) 层和 Sparse Self-Attention within Windows (SSAW) 层组成，可以提取必要的局部序列片段，并建立基于这两个扩展层的全局长距离依赖关系。

Aug, 2023

本文提出了一种深度融合聚类网络（DFCN），采用自编码器和图自编码器进行结构信息的处理并采用可靠的目标分布生成度量和三元自监控策略，以实现交叉模态信息利用，对六个基准数据集的广泛实验表明，DFCN 一致优于现有技术。

Dec, 2020