本研究提出了一种基于深度卷积随机配置网络的熔镁炉工作条件识别方法，解决了模型的泛化能力和可解释性不足的问题。通过生成高斯微分卷积核和强化学习修剪，显著提升了识别精度和可解释性。实验结果表明，该方法优于其他深度学习技术。

ConvTimeNet是一种新型的深层分层全卷积网络，用于时间序列分析。它通过自适应分割为子序列级的补丁来避免稀疏语义，并集成了深度卷积和点卷积操作。该网络在时间序列预测和分类任务上的实验结果优于基线模型。

该论文提出了一种新的半监督深度学习算法，用于基于视觉内容检索相似的2D和3D视频。该算法采用深度卷积和递归神经网络与动态时间扭曲作为相似性度量，能够处理大规模视频数据集，并根据图形帧和内容检索与给定查询视频片段最相关的视频。该方法在多个公共数据集上进行了测试，表现良好，优于基准深度学习模型。