深度学习中客观函数的排列冗余与不确定性

提出了一种特殊结构的函数族，适用于未监督和监督学习任务的深度网络架构。

讨论了强化学习中的不确定性估计问题，提出随机不可训练的“先验”网络方法，实验证明其在大规模问题上的有效性。

探讨了深度神经网络计算的几何方法及其对全局极小化和鞍点问题的影响。

提出了关于神经网络泛化能力的假设Coherent Gradients，并提供了防止过拟合的梯度下降修改方法。

通过概率推理估计神经网络的不确定性，验证了该方法在回归和图像分类任务中的效果。

研究了超参数神经网络的普适性及其对学习任务的影响，提供了现代方法的概述。

设计了神经功能网络（NFN），通过对称性构建置换等变的神经谷波器，表现出良好的效果。

探讨了前馈神经网络的复杂性，提出了新的覆盖数界限和优化收敛的概率增加策略。

研究了现代深度神经网络的权重分布及其与不确定性量化的关系，发布了相关数据集和代码。

针对神经网络剪枝中的不确定性量化不足，提出了一种新的剪枝方法，实验表明其在计算机视觉任务中的有效性。