- 利用大规模在线学习训练深度代理模型
该论文提出了一个开源在线培训框架，用于快速解决偏微分方程组，可以提高深度代理模型的数据多样性，对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Messag - ICML增强学习中的引导式表示学习
本文研究了强化学习中的状态表示问题，发现时序差分学习与蒙特卡罗、残差梯度学习在大部分环境的特征学习上存在差异，本文提出的新的辅助学习规则在经典环境下具有较好表现。
- EMERSK -- 基于情境认知的可解释多模情感识别
本文介绍了一种基于视觉信息的情感识别和解释系统，该系统采用多模式方法，使用卷积神经网络和注意机制从面部图像中提取深度特征，利用背景深度特征作为情境信息，融合多种信息以实现更准确的情感识别，同时结合景区类型和描述来生成情感解释。该方法在多项基 - LDMRes-Net: 通过高效图像分割实现实时疾病监测
本研究中，我们提出了一种轻量且高效的深度学习神经网络，具有双重多重残留连接来增强分割性能，同时最大限度地减少计算成本，并在八个公开可用的视网膜图像数据集上进行了评估，取得了有前途的分割结果，显示了该建议网络用于视网膜图像分析任务方面的有效性 - 基于空间变换网络的舌头超声无声语音界面适应性
利用深度学习算法从口腔运动数据中合成出可理解的语音，但相关模型区分度较高，对不同用户快速切换不便。该论文中利用空间变换网络（STN）模块扩展深度网络提高使用噪声下的语音接口模型的适应性，该方法有效降低了标准误差并提高了同一发言者不同录音周期 - 离线手写识别的大型训练数据集 CENSUS-HWR
本文介绍了一个新的数据集 CENSUS-HWR，包含 1812014 个灰度图像，用于训练自动手写体识别模型，可以作为深度学习算法的基准，该数据集来自美国 1930 和 1940 年的人口普查，可免费下载。
- 利用机器学习技术识别和分类系外行星
本文探讨了如何使用深度学习算法和 Siamese 结构将 Kepler 太空望远镜以及其扩展任务 K2 的数据进行分类，结果表明 Siamese 算法在低数据情况下表现良好，并可用于识别恒星周围行星的存在。
- Duke 脾脏数据集：公开的脾 MRI 和 CT 数据集用于分割训练
该研究开发了一个包括 109 例患者 CT 和 MRI 数据的数据集，名为 Duke 脾脏数据集，旨在为研究深度学习算法的脾脏分割提供丰富的图像类型、供应商、平面和对比度，以及不同病态状态下不同的脾脏形状和大小。
- 毫米波雷达目标识别系统性研究
利用商用毫米波雷达测试其在识别目标、实时追踪人员、定位物体等任务中的实用性和性能，并发现并解决测试过程中的潜在问题，为使用不同深度学习算法实现最佳的目标识别性能提供了广泛的实验数据。
- 隐空间动态网络 (LDNets): 学习时空过程内在的动力学
对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为 Latent Dynamics Network 的新型架构，该架构使用降维和深度学习算 - 基于人工智能和溶解气体分析的变压器故障诊断研究现状：文献综述
本文探讨了利用人工智能和溶解气体分析的变压器故障诊断的最新技术，并分析了不同方法的优缺点。研究旨在提供对变压器故障诊断和人工智能在保证电力系统可靠运行中的作用的有价值的见解。
- 深度学习在计算机断层摄影和磁共振成像分割中的自动化应用：初学者指南
本教程论文旨在从基础概念、深度学习算法、工具和框架，方法开发和图像分析等方面，为医学影像处理与分析领域的新手提供基础概述，并使用公共数据提供样例任务，并针对方法开发和图像分析提供了最佳实践建议，旨在助力研究者克服初学阶段的挑战。
- 数据驱动的智能计算设计：方法、技术及应用
数据驱动的智能计算设计（DICD）是利用深度学习算法从历史或虚构的设计过程数据中提取和表示设计特征，以实现设计解决方案的检索、生成、优化、评估等目的的研究热点。本文建立了 DICD 实现的系统理论参考，包括 DICD 项目计划的一般工作流程 - 在贝宁绘制小农户腰果种植园地图，以指导可持续的乔木作物扩种
利用高分辨率遥感图像和先进的深度学习算法，该研究成功地为贝宁生成了首张全国腰果种植地图，并研究了 2015 年至 2021 年间种植园面积的扩大以及土地使用变化，发现高密度种植园仅占一半，仍有潜力进行强化，但对保护区的入侵正在增加。
- WindowSHAP: 基于 Shapley Values 的时间序列分类器解释的高效框架
本文提出了 WindowSHAP 框架，一个用于解释时间序列分类器的模型无关框架，使用 Shapley 值来降低计算复杂度并提高解释质量，提供三个不同的算法，分别对应静态、滑动和动态时间窗口，应用于医学领域的数据，获得了较好的实验结果。
- ECCVDEArt: 欧洲艺术数据集
我们提出了 DEArt，它是一个针对文化遗产绘画的检测数据集，检测物体和姿势分类，是一个与众不同的数据集，具有 69 个类别和 12 个姿势，并且可以通过迁移学习实现与最先进模型相媲美的精度。
- 医学摘要普通语言适应数据集
为了让公众可靠理解庞大的医学文献，本研究提出了通过深度学习算法自动适应平民语言版本的解决方案，同时为了保证适应的准确性，首先需要建立一个金标准数据集，而为了解决目前现有的数据集相互不对齐及小试验集的问题，本研究建立了第一个均已手动适配的数据 - 使用合成森林图像对深度学习算法进行树木检测训练
本研究探讨了在森林环境中基于视觉的分割是自主林业操作（如伐树和前进）的关键功能之一。在本研究中，我们提出使用模拟森林环境来自动生成具有像素级注释的 43k 真实合成图像，并将其用于训练深度学习算法来进行树木检测。我们报告了使用这些合成数据集 - 使用级联双注意力 CNN 和双向 GRU 框架的人体运动识别
本文提出了一种空间 - 时间级联框架，利用深度学习算法提取人类活动的深入特征，并使用双向 Gated 循环单元进行长期时间建模和人类行为识别。实验结果表明，该方法与现有算法相比在帧每秒的执行时间方面提高了最多 167 倍。
- 基于过程知识融合的社交媒体自杀风险评估学习
通过引入、形式化和发展一个新的人工智能（AI）范式 —— 流程知识注入学习（PK-iL），大幅提高了深度学习算法的性能和自然语言解释能力，并为人类在现实世界中采用此技术提供了帮助。该方法构建了一个结构化的过程知识框架，明确解释了生成预测结果