- 两阶段 ML 引导的不确定性顺序决策规则
在这篇论文中，介绍了一种名为 Two-Stage General Decision Rules (TS-GDR) 的新方法，通过使用深度递归神经网络来解决顺序决策问题，并应用于长期水热调度问题，显著提高了解决方案质量并大幅减少计算时间。
- 智慧城市中使用深度循环神经网络进行交通模式分类
本研究提出了一种使用深度递归神经网络来分类智能城市交通模式的新方法，该方法可以有效捕捉交通模式的动态和时序特征，实验证明该模型在准确度、精确度、召回率和 F1 得分等方面优于现有方法，并对结果进行深入分析并讨论了其对智能城市的影响，结果显示 - 可解释学习多尺度系统的有效动力学
提出了一种可解释学习有效动力学（iLED）框架，通过融合 Mori-Zwanzig 和 Koopman 算子理论，实现与循环神经网络模型相当准确度的建模和仿真，具备可解释性，适用于解决高维度多尺度系统。
- 2016 年 WMT 跨语言代词预测共享任务的发现
本文介绍了 2016 年 WMT 跨语言代词预测共享任务的设计、评估设置和结果，该任务是一个分类任务，参与者需要对目标语言文本中的占位符值提供替换代词类别标签的预测。提供了四个子任务，英法、英德之间互译，11 个团队参与该任务。深度循环神经 - 通过可微分深度神经逻辑网络进行归纳逻辑编程
本文提出了一种通过深度递归神经网络解决归纳逻辑编程问题的新模式，其中解决方案基于可微分的向前链推论的实现，在分类任务中得出了较好的性能表现，支持递归和谓词创造等理想特性。
- KDD基于字符的数据到文本生成的复制机制和定制训练
本篇论文提出了一种基于字符的端到端序列 - to - 序列模型，具有注意力机制、不需要词汇处理，以及包含常规生成机制和复制输入事实以产生输出的复制机制，同时提出了一个新的数据集 E2E+，并表明该模型在五个常用度量标准下的性能逊于基于字符和 - 用于人物动作的循环转移网络
本文提出了基于深度循环神经网络的新方法，称为 Recurrent Transition Network（RTN），可以自动生成过渡动画，并通过添加本地地形表示将其变地形感知，从而产生更好的效果。此外，还探讨了在动画超分辨率设置中的应用，结果 - ACL深度循环神经网络编码软层级句法
本研究介绍一组实验，以证明深度递归神经网络（RNN）可以从高度多变的监督中学习到捕捉软层级句法概念的内部表征。我们考虑了四个句法任务，每个词的词性以及出现在其上方的第一（parent）、第二（grandparent），第三层级（great- - AAAIIONet: 学习解决惯性测距中的漂移问题
该研究旨在解决低成本惯性传感器的误差问题，提出了一种基于分段优化的方法，使用深度循环神经网络可以更准确地估计位移。实验结果表明，所提出的 IONet 方法可以广泛适用于各种测试和附件，尤其可以用于非周期运动的轨迹估计，如购物车或婴儿车，超越 - 深度回声状态网络 (DeepESN): 简要概述
本文总结了 DeepESN 的发展、分析和应用，详细阐述了深度循环神经网络、储水池计算和状态动力学等方面的现有研究成果。
- CVPR基于循环神经网络的人体动作预测
本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。
- ACL多任务学习关键短语边界分类
通过多任务深度循环神经网络的方法，将关键短语分类标记为预定义类型，使多个数据集上任务的表现明显优于之前的技术水平，尤其是对于长关键短语。
- 深度循环神经网络进行音频场景分类
本文使用深度循环神经网络，将音频场景转换为一系列高级标签树嵌入特征向量序列，将其分割为多个子序列，并对序列进行标签分类，最终获得全局预测标签。在 LITIS Rouen 数据集上，实现了 97.7% 的 F1 分数，与该数据集上最佳结果相比 - 用深度循环神经网络进行超新星分类
本研究应用深度循环神经网络对超新星进行分类，使用的输入数据是观测时间和滤波器的波长，但也可以包括附加的数据。结果显示能够获得高准确率的结果，但对训练集的要求较高。
- ECCV使用深度循环神经网络追踪人类自然动作
通过使用深度循环神经网络等技术，开发单一 Kinect 传感器来改善其骨架追踪的不自然运动，同时通过与商业光学运动捕捉系统进行比较，提出了新的自然度评估方法。
- deepTarget: 一种基于深度循环神经网络的 microRNA 靶点预测端到端学习框架
本文提出一种基于深度递归神经网络的自编码及序列交互学习，利用端到端的机器学习框架进行 miRNA 靶向预测，不仅准确性高，而且消除了手动特征提取的需求，该方法相比于现有的替代方案更为优秀，并取得了 miRNA 靶向预测领域巨大的进步。
- NIPS使用无界记忆学习传导
使用设计成类似于机器翻译等实际转换问题的合成语法，我们探索了深度循环神经网络的表达能力并提出了新的基于记忆的循环网络，实现了传统数据结构（如堆栈、队列和双端队列）的连续可微分模拟。我们证明，这些架构表现出卓越的泛化性能（generalisa - 联合优化掩码和深度循环神经网络进行单声源分离
该研究探索了使用掩蔽函数和深度递归神经网络进行单声道源分离任务（包括单声道语音分离，单声道歌唱声分离和语音去噪）的联合优化。与现有模型相比，我们的方法在评估数据集中的任务中表现良好，并实现了较大的音频性能提升。
- 深度循环神经网络语音识别
本文研究了将深度网络的多层表示与强大的 RNN 模型相结合的模型 - 深度递归神经网络，通过合适的正则化和端到端的训练方法，该模型在 TIMIT 语音识别基准测试中获得了最佳记录得分 17.7％。