ShiftAddAug通过混合计算提升无乘法神经网络的准确性，无需增加推理开销。它将小型无乘法网络嵌入大型乘法模型中，利用乘法增强无乘法部分。新权重共享策略解决运算符权重差异，并通过两阶段神经架构搜索优化小型网络。实验显示，ShiftAddAug在图像分类和语义分割中显著提升性能，CIFAR100准确性提高4.95%，超过传统乘法网络。

该研究提出了一种新的神经网络正则化方法——权重共享正则化，并使用新的并行算法进行近端映射，具有指数级加速度。实验表明，该方法可以使全连接网络学习类似卷积操作的滤波器。

MixerFlow是一种新型架构，通过使用双射变换将复杂密度转化为简单密度的统计模型，提供了一种用于流模型的有效权重共享机制，并在固定的计算预算下，在图像数据集上展示了更好的密度估计。

该研究提出了一种几何最优边属性，用于卷积网络中的权重共享，通过等变群卷积网络处理3D点云，取得了最先进的结果。

卷积运算是一种特殊的线性运算，可以提取图像空域上相邻的信息，具有局部连接和权重共享的特点，可以减少参数数量，提高训练效率。卷积层的输出Feature map大小取决于输入大小、Pad数、卷积核大小和步长。