深度神經網路的行為表現是否類似於結構玻璃？
儘管深度神經網路 (DNN) 和結構玻璃之間存在一些有趣的相似之處，尤其是在拓撲結構和特定動態特性方面，但 DNN 並未表現出與玻璃化轉變相關的關鍵行為，例如發散的弛豫時間和籠效應。
AdaNCA：作為適配器的細胞神經網路，用於更強大的視覺Transformer
本文提出了一種名為 AdaNCA 的新型細胞神經網路 (NCA) 模組，作為一種即插即用的適配器，用於增強視覺Transformer (ViT) 的魯棒性，使其能夠更好地應對對抗性樣本和分佈外數據。
基於大腦啟發的高效剪枝：利用脈衝神經網路的臨界性
受神經科學中大腦臨界性假設的啟發，本研究提出了一種基於神經元臨界性的剪枝再生方法，用於提高脈衝神經網路（SNN）的效率。
深度學習中可驗證準確性、穩健性和泛化性的界限
即使在給定的神經網路架構中存在理想的穩定且準確的解決方案，但對於許多常見的資料分佈來說，在基於經驗風險最小化的學習框架下，要計算和驗證這些解決方案是極具挑戰性的，甚至是不可能的。
透過矩神經網路量化工作記憶中的不確定性
人類工作記憶中的不確定性感知與神經活動的變異性息息相關，特別是與差異共變異性相關，而矩神經網路可以有效捕捉這種關聯性，為理解大腦如何管理不確定性提供新見解。
SimPhony：面向異構電子-光子 AI 系統的跨層建模與模擬框架
SimPhony 是一個針對異構電子-光子 AI 系統的跨層建模和模擬框架，它通過提供統一、多功能和高保真度的模擬平台，解決了評估和創新光子 AI 硬體的挑戰。
基於共識的層剪枝：兼顧低精度下降、高效能提升和增強對抗魯棒性的三贏解決方案
通過整合多個相似性指標，層剪枝方法可以有效識別和移除神經網路中的非必要層，在不影響模型預測能力的前提下，降低計算成本、延遲和内存占用，同時提高模型對抗攻擊的魯棒性。
論具有等變性、局部性與權重共享的單隱藏層網路的樣本複雜度
等變性、局部濾波器和權重共享都能夠提升神經網路的樣本效率，並且可以透過樣本複雜度的理論框架量化其影響。
圖神經網路多標籤修復：解決圖神經網路在多標籤節點分類中的缺陷
本文指出，即使是最先進的圖神經網路 (GNN) 在處理多標籤節點分類任務時也存在缺陷，尤其是在缺乏節點屬性和明確標籤信息的情況下，並提出了一種名為 GNN-MultiFix 的新方法來解決這些問題。
基於深度 Ritz 修正的神經數值均質化方法
本文提出了一種基於深度 Ritz 修正的局部正交分解 (LOD) 方法，用於解決具有時變或不確定性係數的拋物線偏微分方程。
