- 具有双向上下文分离网络的学习可扩展图像压缩
本文提出了一种基于深度神经网络的学习可扩展 / 渐进式图像压缩方案，命名为双向上下文分离网络（BCD-Net），并采用位平面分解学习分层表示，并通过双向流来解缠上下文信息以获得更有效的压缩表示。实验证明，与最先进的基于 DNN 的可扩展图像 - 无监督深度域适应综述
该研究论文对深度学习与非监督领域自适应进行了综述并对其中一些方法进行了比较，同时探讨了应用领域及未来研究方向。
- 可微池化的分层图形表示学习
本文提出了 DiffPool 模型，可以生成层次化的图表示，并可与各种图神经网络结构直接相结合。实验结果表明，结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10％，相比所有现有的汇聚方法，实现了四个基 - 多层梯度提升决策树
提出了一种名为 mGBDTs 的多层 GBDT 森林算法，通过堆叠多层回归 GBDTs 作为其构建块，探索学习分层表示能力。该模型可以通过变体的跨层目标传播进行联合训练，无需反向传播或可微分性，并在性能和表示学习能力方面得到了证实。
- ICLR层次密度排序嵌入
本论文提出了一种基于概率密度的单词嵌入模型 —— 密度顺序嵌入模型。该模型通过实现简单而有效的损失函数和距离度量以及基于图的方案选择负样本，学习到分层的概率密度表示。实验结果表明，此方法在 WordNet 层级关系预测任务和 HyperLe - 学习识别触摸手势：循环 vs. 卷积特征和动态采样
利用深度神经网络，提出了基于动态采样和时间归一化组件的触摸手势学习方法，可以将变长手势转换为固定长度表示并处理多用户和硬件变化，本文还提出了新的手势数据集并在标准数据集上超越了现有技术并报告了接近完美的性能。
- 神经网络蒸馏为软决策树
使用训练好的深度神经网络创建软决策树的方法，可以更好地泛化，并解释快速分类决策的过程。
- 基于深度学习的自然语言处理的最新趋势
本文综述了深度学习在自然语言处理中的应用，包括模型设计与方法演进，总结了深度学习在 NLP 任务中的过去、现在和未来发展。
- 使用原始波形的样本级深度卷积神经网络进行音乐自动标记
本文提出了一种基于样本级别深度卷积神经网络的方法，用于从音乐信号中学习表示，并取得了与先前最先进性能可比的结果，而可视化学到的滤波器说明它们对倍频谱很敏感。
- CVPR针对视频字幕的分层边界感知神经编码器
本论文提出了一种循环视频编码方案，可以发现和利用视频的分层结构，并且改善了电影描述数据集的现有技术结果。
- 高维数据的最大信息层次表示
本研究介绍了一种基于概率函数的输入变量表示方法，并提出如何量化各层对原始数据信息提取的贡献，并应用于深度表示的无监督学习，具有可实施性和科学性。
- ICML深度自回归网络
本文介绍了一种深度、生成式自编码器，它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法，我们证明了该方法在几个经典数据集上取得了最先进的生成性能。