本研究提出了一种可训练的混合激活函数方案Adaptive Blending Units（ABUs），能够自适应调整比例，从而提升深度学习模型的训练效率。同时介绍了Padé激活单元和TaLU激活函数，分别提高了预测性能和分类准确度。研究表明，GELU激活函数在多个数据集上表现优越，并通过对400种激活函数的调查，更新了对激活函数的理解，解决了选择复杂性问题。

本文介绍了多种基于深度学习的合成孔径雷达（SAR）图像去噪方法，包括卷积神经网络（CNN）、生成模型和对比学习等。这些方法在去除斑点噪声和提高分类准确度方面表现优越，推动了SAR图像处理的研究进展。

本文研究深度神经网络的后门攻击问题，提出了一种基于L∞规范的神经元修剪方法，能够有效降低攻击成功率超过50%。该方法无需调整DNN参数，运行速度快，能够检测带触发器的实例，提高分类准确度并减轻过拟合问题。

本文研究深度神经网络的后门攻击问题，提出了一种基于L∞规范的神经元修剪方法，以消除后门。研究表明，该方法在保持高分类准确度的同时，显著降低了后门攻击的成功率。同时，探讨了多种后门攻击方式及其对深度学习模型的威胁，强调了在训练过程中注入后门的隐蔽性和有效性。

本文探讨了多种新型激活函数的发现与应用，包括Swish、Piecewise Linear Unit、Serf和TaLU等。这些激活函数在自然语言处理和计算机视觉任务中表现优异，显著提高了模型的分类准确度，为深度学习的发展提供了新思路。

研究探讨了数据增强对多变量时间序列模型性能的影响，使用Rocket和InceptionTime模型在13个数据集中提升了分类准确度。研究强调了充足数据和多样化增强策略的重要性，战略性的数据丰富可以提高模型准确度。此研究设立了新标准，并强调了在有限数据可用性情况下采用多样化增强方法的重要性。

本文介绍了一种频率感知的掩码自编码器（bioFAME），用于全面建模多模式生物信号。bioFAME在预训练过程中充分利用多模态信息，适应不同任务和模态。实验结果显示，与之前方法相比，bioFAME在分类准确度上平均提升了5.5％，且具有模态不匹配的稳健性。

本研究提出了一种结合三维卷积神经网络与长短期记忆网络的模型，用于对运动想象 - 电子脑接口信号进行分类。实验结果表明该模型在运动想象任务领域取得了更高的分类准确度和F1值，对用户的运动想象意图的分类准确度有较大的提升。

本文研究了使用神经网络进行环境声音分类的三种不同类型的表示：谱图、MFCC和嵌入式表示，并使用不同的CNN网络和自编码器来评估它们在分类准确度上的效果。发现使用谱图的分类准确度最高，使用MFCC的准确度最低，并提出了一些指导性的结论和方法来提高声音环境分类的准确度。

该研究在深度神经网络分类器中引入线性倒数第二层进行训练，导致神经坍缩现象，出现二进制编码。研究者展示了二进制编码加速收敛并提高分类准确度的效果。