- uSF：学习具有不确定性的神经语义领域
提出了一种新的神经网络模型 uSF，用于形成扩展向量表示，通过评估模型的预测不确定性，实现了对三维场景的可微分重建和不确定性估计，并证明了具有不确定性功能的模型在训练样本有限的情况下表现更好。
- 多策略协同优化的 YOLOv5s 及其在距离估计中的应用
基于新的神经网络模型（YOLOv5s-SE），以 DIoU 替换 IoU，嵌入 SE 注意力模块和使用相似三角形原理的距离估计方法，提出了一个基于距离估计的安全警告系统（DESWS）。此外，还提出了一种基于非参数检测的预测距离的安全建议方法 - 基于核神经网络的关联检验用于复杂遗传关联分析
利用人工智能特别是深度神经网络的进展，对基因研究进行革命性改革，试图解码基因变异与疾病表现之间复杂关系，并提升对疾病病因理解的能力。
- 基于卷积神经网络的改进模型用于水果糖度检测
该研究论文介绍了人工智能在水果质量检测领域中的应用，提出了一种基于谱图的水果糖度回归模型，设计了新的神经网络结构并比较了其他传统的神经网络结构，采用多种策略处理谱图数据，通过评估数据集的可靠性和比较不同模型的效果，验证了使用人工神经网络模型 - 多模态室内定位方式的众包无线电地图应用
本研究论文探讨了利用众包无线电地图作为多模式室内定位系统中楼层平面图的替代方案，通过引入一种新的框架来解决无线电地图不准确和覆盖不足的挑战，并结合一种基于深度学习的 WiFi 定位模型和一种贝叶斯融合技术来实现最佳融合，通过在多个真实场景上 - 神经网络模型中一种替代的独热编码方法
本文提出了一种算法，用于实现神经网络模型输入数据的分类特征的二进制编码，同时在前向传播和反向传播过程中实施变化，以实现模型权重的变化，这些变化是由神经网络学习过程对某个特征类别的某些数据实例而导致的，只会影响该特征类别的输入数据实例的前向传 - EMNLP使具有身体的代理程序理解人类指令
提出了一种名为 tagE 的新系统，采用神经网络模型来从复杂的自然语言任务说明中提取一系列任务和相应的参数，并将这些任务映射到机器人的技能集合中，参数与环境中的对象关联。实验证明这种方法胜过坚实的基线模型。
- 利用神经网络提高流体力学仿真的伪时间步收敛性
使用伪瞬态延续方法和神经网络模型增强非线性收敛性能的计算流体力学研究。
- 基于 ONNX 的通用框架：使用 Shapley 值解释神经网络的 ONNXExplainer
ONNXExplainer 是一个用 Shapley 值在 ONNX 生态系统中解释神经网络的通用框架，其自动微分和优化方法实现了一次部署、高效计算解释和更少内存消耗。通过与 SHAP 进行比较，广泛的基准测试表明，所提出的优化方法能够提高 - 基于图神经网络的智能网格平滑方法
本文提出了一种轻量级神经网络模型 GMSNet 用于智能化网格平滑，通过采用图神经网络提取节点邻居的特征并输出最佳节点位置，结合容错机制防止生成负体积单元，同时引入一种新的损失函数 MetricLoss 来消除对高质量网格的需求，实现了稳定 - 深度关注时间扭曲
本文提出了一种神经网络模型来进行任务自适应时间对齐，使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练，与传统的基于 DTW 的可学习模型不同，它能够学习目标任务的最佳数据相关对齐，实验证明了我们模型在在 - 跨领域声音识别用于高效水下数据分析
本论文提出了一种新颖的深度学习方法，通过利用在广泛范围的非水下（空中）声音上训练的模型分析海量水下声音数据。我们通过主成分分析和 UMAP 可视化方法，在二维空间中对水下数据进行了聚类，并选择候选标签进行进一步训练。其次，我们使用选定的水下 - 制造生产线工人活动识别方法的近身电场应用
本文介绍了一种新颖的可穿戴传感原型，将 IMU 和体电容传感模块结合起来，用于识别制造业中工人的行为。我们提出并比较了早期和晚期传感器数据融合方法，针对多通道时间序列卷积神经网络和深度卷积 LSTM 模型。通过使用我们提出的传感原型和苹果手 - 平均困难注意力变换器是恒定深度均匀阈值电路
该论文研究了 Transformers 模型在自然语言处理任务中的应用，并发现它们与常深度门电路之间的关系，通过两个假设（平均难度的注意力和对内部计算相对于输入长度的对数精度）。研究表明，平均难度的注意力 Transformers 可以识别 - ICML从拓扑学中学习：从大尺度结构中进行宇宙参数估计
我们提出了一个神经网络模型，通过映射持续图像到宇宙学参数，准确且精确地估计宇宙学参数，显著优于传统的贝叶斯推断方法。
- 使用强化学习设计感应电机
提出了一种强化学习算法，用于设计定制感应电机。通过模拟电气机械设计游戏的不同实例，使用奖励或惩罚函数离线训练神经网络模型。结果表明，该方法自动化电气机械设计，无需应用人工工程知识。
- CAT-Walk: 基于集合漫步的归纳式超图学习
CAT-Walk 是一种基于时态高阶图的归纳式研究方法，使用 SetWalk 提取高阶因果模式，使用 SetMixer 池化策略和集合匿名过程隐藏超边的身份，并使用神经网络模型对超边进行编码。在 10 个超图基准数据集上的评估表明， CAT - ACL使用深度证据回归估计情感属性的不确定性
本文提出了一种贝叶斯方法，使用 深度证据情感回归 (DEER) 估计情绪属性的不确定性，得到最新的 MSP-Podcast 和 IEMOCAP 数据集上情感自动识别的最佳结果。
- 基于张量 T - 积算子的图像分类网络自适应数据增强框架
本文提出了一种自适应数据增强框架，基于张量 T - 积算子三倍图像数据进行训练并获得结果，可以同时实现列图像嵌入和全局特征交集，模型在空间和频率领域中获取信息，提高了模型的预测精度，通过数值实验，证明了该自适应框架的有效性，完整神经网络模型 - 利用手机摄像头的机器视觉：比较深度神经网络在分类印度硬币三个具有挑战性的面额时的表现
通过使用便宜的手机相机拍摄硬币的数字图像来训练深度神经网络模型，检测其正确的面额，研究表明，四种神经网络中的两种可以在硬币的任一面上达到 97% 的准确率。