- ENADPool: 边缘节点注意力差分池化的图神经网络
本文提出了一种名为 Edge-Node Attention-based Differentiable Pooling (ENADPool) 的新层次池化操作，用于学习有效的图表示，同时还提出了与 ENADPool 操作相关的多距离 GNN - MinMax 采样和分布式聚合的偏差估计器
MinMax 采样是一种降采样实向量的技术，旨在最小化所有向量分量上的最大方差。本研究提出一种有偏的 MinMax 估算方案 (B-MinMax)，通过增加估算偏差来减小方差。当无聚合时，B-MinMax 的均方差严格低于无偏的 MinMa - 基于保边概率下采样的高效精确 CT 分割
通过引入一种名为 Edge-preserving Probabilistic Downsampling (EPD) 的新方法，该方法利用局部窗口中的类别不确定性产生软标签，以低分辨率实现网络生成高质量预测，从而更有效地保留边缘细节，并在图像 - AVS-Net：3D 点云分析中的自适应体素尺寸点采样
本研究旨在提出一种高效的下采样方法，该方法利用基于体素的采样技术，并通过自适应调整体素大小和保留关键的几何线索来提高采样的准确性和效率。通过在 ShapeNetPart 和 ScanNet 基准测试上进行实验，我们的方法在准确性和效率方面均 - 基于非线性脉冲神经元与自突触的多阶段注意力乳腺癌分类
通过引入基于 NSNP 神经元的多阶段注意架构，缓解了深度网络的降采样对信息的丢失，使卷积神经网络能够更多地关注病变区域，从而实现乳腺癌的早期诊断和治疗，进而提高患者的生存率。该方法在公共数据集 BreakHis 上进行了评估，以不同放大倍 - GeoScaler：基于几何和渲染的三维网格纹理降采样
通过在降采样过程中引入几何线索并最大化呈现纹理网格的视觉保真度，我们介绍了 GeoScaler 方法，该方法用于降低 3D 网格的纹理地图，并且相比传统的降采样方法，所生成的纹理图像呈现出显著更好的质量。
- CVPR无别名卷积网络：通过多项式激活实现分数移不变性
本文提出一种扩展的反锯齿方法，旨在解决由下采样层和非线性层引起的失真问题，从而创造真正无失真的平移不变的 CNN，并且在整数和分数（即次像素）平移方面具有不变性，因此在对抗平移的鲁棒性方面优于其他平移不变方法。
- EMNLP基于子词分割的下采样在字级别翻译中的应用
通过引入一种新的信息量更大的降采样方法，将字符水平的机器学习模型在机器翻译领域中的表现提高到与子词水平的模型接近。
- AAAI从常规数据到图形的下采样泛化
本文提出了一种新的图形粗化机制，它是正规数据可控等间距粗化机制的图形结构对应物，在保留拓扑结构的同时有多分辨率调节的能力，并通过理论和实验证明了它在图分类任务中的优越性。
- SSBNet：通过自适应采样提高视觉识别效率
本文提出了插入自适应采样层到现有深度神经网络中以提高效率的 SSBNet，该方法在 ImageNet 和 COCO 数据集上达到了竞争性的图像分类和目标检测性能。
- 学习时空下采样以实现有效的视频提升
本文提出了一个神经网络框架，该框架能够联合学习时空下采样和上采样，并提出了两个新模块以解决时空去混叠问题和提高重建性能。实验证明，该方法显著提高了时空重构质量，并且能够应用于任意视频重采样、模糊帧重建和高效视频存储。
- 大规模语言模型词表筛选在低频词语音识别中的应用
通过降采样、明确筛选稀有词以及使用基于困惑度的对比筛选等简单的策略，结合生产语音引擎，利用语言模型融合技术，相对于使用原始语料训练出的语言模型，使智能语音助手能够更好地辨别听众说出的稀有词而不影响总体识别准确率，并在实时语音搜索流量中得到了 - 探究卷积神经网络中抗锯齿的更深层次
通过提供一个自适应、内容感知的低通滤波层，该文章提出了一种解决深度学习中降采样导致失真的问题的有效方法，并在多项任务中展示其效果，从而避免失真，同时保留用于识别的有用信息。
- 面部解析的联合卷积神经网络
本文提出采用 iCNN 的两步方法来进行面部解析，其特点在于在互联的层中广泛使用下采样和上采样.
- 自注意力声学模型
本篇论文探讨如何应用自注意力机制解决计算复杂度、模型稳定性和位置信息等问题，相比于 LSTM 模型，该模型不仅运算时间更快，而且更具可解释性。
- 一种下采样的 ImageNet 替代 CIFAR 数据集的变种
该论文提出了一个下采样的 ImageNet 数据集以解决在原始数据集上进行实验成本高的问题，并通过实验表明，与原始数据集相比，该数据集在使用深度神经网络训练时的最佳超参数的性质保持类似。
- CVPR深金字塔残差网络
探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。