- 定量磁共振成像参数估计的无偏神经网络
通过训练具有最小偏差且方差接近理论最小值的神经网络，本论文研究了两个定量神经成像应用中所得到的神经网络的偏差和方差特性，提出的策略在仿真中显著降低了估计的偏差，接近 Cramér-Rao 边界，而在活体实验中与传统估计器相比具有良好的一致性 - 基于视觉问答模型的基于语境化语言功能词的学习
该研究探讨了模型和儿童如何学习使用功能词，以及基于神经网络的视觉问答模型如何在学习复杂视觉场景的问题时使用功能词，揭示了这些模型可以通过空间和数值推理来学习功能词的梯度语义，并发现它们可以在没有先验逻辑推理知识的情况下学习逻辑连接词 “an - 电心卫士：通过神经网络在心电图数据库中预防患者误识别
本研究旨在解决电信号记录错误的问题，通过提出一种小型且高效的基于神经网络的模型用于确定两个心电监护图是否来自同一患者，其在不到平均参数数量 760 倍的情况下表现出极好的推理能力，并将其在新收集的心电图数据集上进行了评估，并向研究社区公开发 - CVPR单图深度预测的改进方法：多元高斯模型
通过使用多元高斯分布的方式，以及协方差建模的方式，预测单幅图像的每个像素深度，提高单张图像深度预测的准确性。
- WWW基于神经增强相机指纹的网络照片来源识别
本文提出了一个使用神经网络增强的传感器噪声以高效追踪 Web 照片的创新性实用源识别框架，通过度量学习和频率一致性优化深度网络设计从而实现了可靠的源标识。
- 基于深度学习的双盲审稿破解：作者归属性鉴定
该研究提出了一种基于变形金刚模型的神经网络结构，仅使用文本内容和参考文献中的作者姓名来将匿名稿件归属于作者，并创建了迄今为止最大的作者身份识别数据集，并发现了双盲审稿流程中的一些弱点，为支持公正的双盲审稿流程提供了有价值的见解。
- ICCVPR-RRN: 面向非刚性三维重建的成对正则化残差递归网络
提出了基于 PR-RRN（Residual-Recursive Networks）的非刚性运动中的新型神经网络方法，包含两个额外的正则化损失，其中 RRN 被设计用于从 2D 关键点中有效地恢复 3D 形态和相机。该方法还提出了新的成对正则 - ACCDOA：面向声音事件定位和检测的活动相连的笛卡尔方位角表示法
本文提出了一种基于活动耦合笛卡尔方向角 (ACCDOA) 表示法，将声学事件的活动分配到相应的笛卡尔方向角矢量的长度中，以解决单目标 SELD 任务的平衡问题以及模型大小增加的问题，并使用 DCASE2020 Task 3 数据集进行实 - 使用人工神经网络关联器谱假设进行 A≤4 核的变分蒙特卡罗计算
本文提出了神经网络量子态的解释，以近似求解核物质的多体薛定谔方程，成功将 ANN 波函数与传统的二体和三体 Jastrow 函数和基本准确的 Green's 函数 Monte Carlo 结果进行了基准测试。
- ACLSOFC-Exp 语料库和材料科学领域信息抽取的神经方法
介绍了在材料科学领域中信息提取的一个新挑战性任务，针对用于固体氧化物燃料电池实验的相关材料和测量条件等信息，提出了标注方案并构建 SOFC-Exp 语料库；通过神经网络模型，并结合 BERT 嵌入和递归神经网络，在该数据集上得到良好的性能， - AAAICAWA: 一种用于信用归因的注意力网络
本文提出了一种基于注意力机制的神经网络方法 CAWA，用于信用归因任务，从而标记文本中的各个句子并生成句子级别的标签，该方法在信用归因和文本分类方面性能优于竞争方法。
- EMNLP基于预测嵌入的推特仇恨言论检测
利用预训练的词嵌入和最大 / 平均池化的神经网络方法，能够预测在三个公开数据集上的仇恨言论情况，相较于以往方法使用更少的参数和特征预处理，其在所有三个数据集上达到或超过了最新的 F1 表现。
- 深度学习的可视化可解释性调查
本文综述了解神经网络表示和学习可解释 / 解耦的中间层表示的最新研究进展，并重点介绍了卷积神经网络 (CNNs) 的可视化、诊断、解耦、学习及其在可解释人工智能方面的前景趋势。
- 线性循环自编码器网络用于学习动力学
本文提出了使用神经网络逼近 Koopman 算子的方法来学习非线性动态系统的低维逼近，并且讨论了与这种方法相关的数据表示问题和过拟合问题，提出了一种结合自编码器和线性递归动力学的新型神经网络架构来学习 Koopman 不变子空间。同时，还提 - EMNLP协调边界预测的神经网络
基于神经网络的模型用于协调边界预测，通过多个 LSTM 网络，并在 Treebank 上进行训练，展示了与两个现有技术的比较，以及在 Genia 语料库上的改进。
- 强关联费米子的机器学习阶段
使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。
- EMNLP探索训练优化贪心堆叠 LSTM 分析器
使用动态 oracle（Goldberg 和 Nivre，2013）支持训练探索过程的贪婪 Stack-LSTM 依赖解析器，通过考虑训练时的模型预测而非假设无错误的动作历史，改善了英语和中文的解析准确性，在两种语言中获得了非常强的结果。我 - ICLR多域和多任务学习的统一视角
本文提出了一种基于神经网络的新视角，并引入语义描述符的概念，从而将多任务学习和多域学习统一起来，并将各种经典和最新的多任务学习 / 多域学习算法解释为构建语义描述符的不同方式。通过本文的解释，可以提供一种零样本学习（ZSL）的替代方法，而且