提出了一种新的半监督机器学习方法来发现结构 - 光谱关系，并且使用 X-ray 吸收近边结构（XANES）光谱的解释作为特定例子。这种方法构建了一个将个体结构描述符与光谱趋势进行一对一映射的方法，并通过引入新的排序约束（RankAAE）来增强对抗性自动编码器。RankAAE 方法产生了一个连续和可解释的潜空间，其中每个维度都可以跟踪一个单独的结构描述符。通过使用五个局部结构描述符以及超过五万个模拟 XANES 光谱，展示了该程序的能力，结果不仅重现了文献中已知的趋势，而且还揭示了在大数据集中无法区分的不可思议的趋势。结果表明，RankAAE 方法具有帮助研究人员解释复杂科学数据，测试物理假设和揭示扩展科学见解的巨大潜力。

Jan, 2023

本文介绍了一种新的可解释卷积神经网络（XCNN），能够表示视觉刺激的重要和驱动特征，并提供了无需本地化标签和额外后处理步骤的热图生成。在多个数据集上的实验证明了 XCNN 的成功，验证了其在类别特定特征表示和可解释热图生成方面的性能优于当前算法，同时提供了简单灵活的网络结构，为提高可解释的弱监督定位和语义分割奠定了基础。

Jun, 2020

该研究提出了一种新的神经网络架构 - Expressive Neural Network (ENN)，其中非线性激活函数使用离散余弦变换 (DCT) 建模，并在训练过程中使用反向传播进行自适应，实现了较高的灵活性和表现力，同时可以适应不同的学习任务。经过大量实验证明，ENN 的性能超过当前的最先进技术，并在某些场景下提供高达 40％的准确性差距。

Jul, 2023

本文提出了一种结合深度神经网络自编码器和基于奇异值分解（SVD）的最优线性模型的新颖的非线性模型，相比传统模型在建模包含感兴趣能量范围内的 X 射线吸收光谱时具有优势。

Jul, 2023

本文提出了使用神经网络逼近 Koopman 算子的方法来学习非线性动态系统的低维逼近，并且讨论了与这种方法相关的数据表示问题和过拟合问题，提出了一种结合自编码器和线性递归动力学的新型神经网络架构来学习 Koopman 不变子空间。同时，还提出了在特征空间下过度规定的 EDMD 系统的均衡模型缩减方法和使用多核回归算法来提高低维状态下数据重构的精度，最后通过案例研究验证了这些技术的有效性。

Dec, 2017

本文使用 RED-CNN 深度神经网络在模拟和临床低剂量 CT 成像中取得了竞争优势，尤其在噪声抑制、结构保护和病变检测方面表现优异。

Feb, 2017

本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。

Sep, 2023

本文介绍了基于编码器 - 解码器 Transformer 架构的集成核苷酸字节级编码解码（ENBED）基础模型，以字节级精度分析 DNA 序列，并使用亚二次关注机制实现了高效的序列转换，通过预训练以及在多个下游任务中验证了其在增强子、启动子、剪接位点等基因组序列注释和突变生成等方面相较于现有方法的显著改进。

Nov, 2023

研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

Aug, 2016

本研究介绍了自监督学习在数字天线阵列数据上的首次应用。通过对数字阵列数据进行预训练的编码器 - 解码器网络执行了一种自监督的噪声恢复任务，称为信道修复，通过推断被零掩盖的阵列数据的内容。然后，将编码器的架构和权重转移到一个具有特定任务解码器的新网络上，并使用少量标记数据对新网络进行训练。研究结果表明，在未标记数据上进行预训练可以使新网络在数字阵列数据上执行带宽回归任务，比从随机初始化进行训练的等效网络效果更好。

Jul, 2023