本文探讨了全连接神经网络和残差神经网络在分类问题中的过拟合现象，揭示了训练时间无限延长时经验NTK与真实NTK之间的差异，强调了经验NTK的不收敛性对神经网络理论理解的重要性。

本研究提出了一种基于物理信息的残差神经常微分方程（PIR-NODE）模型，旨在提高热带气旋强度预测的准确性。该模型结合深度学习的非线性拟合能力，使24小时强度预测的均方根误差（RMSE）降低了25.2%，R方（R2）提高了19.5%。

本研究提出了一种新型物理编码残差神经网络架构，旨在解决数字双胞胎模型在物理集成方面的不足。该方法结合了物理模型的数学算子与学习模块，显著提升了模型的泛化能力，尤其在物理知识不足的情况下表现优异。研究结果表明，该方法在机器人运动和自动驾驶车辆转向模型中优于传统神经网络及最新的物理信息机器学习方法。

本研究将残差神经网络推广至广义黎曼流形，提供了一种解决具有层次结构或流形值数据的学习问题的方法。实验结果表明，该方法表现更好。

本文研究了使用卷积神经网络 (CNN) 分析心电图 (ECG) 的缩放方法，重点研究了残差神经网络 (ResNet)。通过调整网络参数，发现较浅的网络、更多的通道和较小的卷积核尺寸对于 ECG 分类等任务具有更好的性能。