- ECCV用多项式神经网络增强深度分类器
本篇研究工作将深度分类器的研究归纳到一个统一的框架下，其中将最先进的架构用不同程度的多项式形式表示，并对其进行了评估，结果表明其在模型性能和模型压缩方面具有高表现性，并且在有限数据和长尾数据分布存在的情况下具有优异的效果。
- ICLRAutoHAS: 高效的超参数和架构搜索
本文提出了一种统一的管道，AutoHAS，以高效搜索架构和超参数，该管道可以更新共享网络权重和强化学习 (RL) 控制器来学习架构候选项和超参数候选项的概率分布， 可以有效地提高具有不同搜索空间和数据集的网络的准确性。
- ICCV网络架构与复杂度关系的实证研究
本文探讨了网络处理数据复杂性变化的实证研究，以图像分类任务为例，测量了不同网络体系结构对不断增加的类别数目所产生的泛化误差变化情况。
- 文本风格转移：重新训练、汇报错误、与重写比较
本文针对样式转移的标准评估方法提出了几个问题，为了解决这些问题，我们建议通过计算原始文本和人类重写文本之间的 BLEU 来进行基准测试，并提出了三种优于现有技术的新体系结构。
- Time2Vec：学习时间的向量表示
本文提出一种基于向量的时间表示模型 Time2Vec，具有模型无关特性，可以被轻松地导入到现有和未来的架构中，以提高模型性能。通过在多个模型和问题中的实验证明，将时间概念替换为其 Time2Vec 表示可以提高最终模型的性能。
- IJCAI深度神经网络的推理阶段统一和合并
本文提出了一种新的卷积神经网络合并方法，在共享权重的基础上，将训练好的两个具有不同架构的网络在推断阶段融合为一个统一的模型，以适应资源有限的设备，实验结果表明此方法有效。
- NIPS使用生成对抗网络学习生成椅子
本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。