- 多头注意力自动剪枝
基于通道相似性和修剪指示器的多头注意力机制自动修剪方法，通过平衡各头通道的移除比例和通道信息的重新加权来降低计算复杂性，并在图像分类任务中表现出超越先前的高效模型和修剪方法的准确性。
- 异构遥感图像中轻量级的在线全整数剪枝训练变化检测
针对异构遥感图像变化检测中高计算和内存开销的问题，本文提出了一种新的轻量级变化检测方法，该方法利用在线全整数修剪 (OAIP) 训练策略，通过当前的测试数据高效地微调变化检测网络，实验结果显示该方法在性能表现上与最先进的变化检测方法相当，但 - 语义分割的注意力网络的实证研究
语义分割是计算机视觉中的一个重要问题。近期，采用端到端卷积神经网络的语义分割算法比传统方法更准确。然而，基于注意力机制的解码器在多个数据集上已经达到了最先进的性能，但这些网络通常只与之前的最佳网络的 mIoU 进行比较，忽略了它们的特点，并 - IJCAI单人不完全回忆博弈的计算复杂度
该研究探讨了不完全回忆下的单人博弈理论，比如 “睡美人问题” 和 “健忘的司机游戏”，并找到了与之对应的平面最大化问题的解决方案，从而解决了这些策略计算的复杂性问题。
- GradMDM: 动态网络的对抗性攻击
本研究旨在探讨动态神经网络对能源导向攻击的鲁棒性，特别是采用我们的新算法 GradMDM 攻击动态模型，结果显示 GradMDM 可显著提高计算复杂性同时减少扰动的可感知性。
- 交错稀疏自注意力在语义分割中的应用
本文提出一种称为交错稀疏自注意力的方法，通过将密集的亲和力矩阵因子分解为两个稀疏的亲和力矩阵，来提高自我注意机制在语义分割中的效率。
- 快速 FCN: 重新思考语义分割干骺骨中的膨胀卷积
通过提出一种新的联合上采样模块 JPU，替代传统的扩张卷积，从而减少计算和存储空间的使用，同时提高语义分割模型的性能。实验证明，该方法在 Pascal Context 数据集和 ADE20K 数据集上达到了最先进的性能，并且更快。
- CVPR解码器对语义分割至关重要：数据相关的解码器实现灵活的特征聚合
本文提出了一种数据依赖性上采样层 (DUpsampling)，该层能够更好地恢复 CNN 编码器输出的低分辨率特征图到像素预测。研究结果表明，使用该层的解码器可实现更低计算复杂度的高精度语义分割，达到了最优之上的状态。
- 使用贪心搜索从大数据中学习贝叶斯网络：计算复杂度和高效实现
本研究探讨了大数据环境下的贝叶斯网络结构学习问题，提出了使用预测性好坏拟合评分来加速贝叶斯网络学习的方法，并在环境和流行病学数据以及公共数据集上验证了其准确性。
- 多属性比例代表制
探讨预定义集合中选择子集的问题，通过属性向量及其期望分布来确定应选择的子集，研究子集选择规则及计算复杂性。应用包括代表委员会的成员选择，单属性问题称为政党比例代表制中的划分问题。
- 快速分配实数回归
本文研究了实值回归分布问题，提出了一种双基估计器，旨在缓解大数据问题，具有独立于实例数量的计算复杂度和一般映射的快速收敛率。