本研究提出了一种轻量级记忆网络LiVOS，旨在解决长视频和高分辨率下半监督视频目标分割的内存限制问题。实验结果表明，LiVOS在保持竞争性能的同时，GPU内存减少了53%，支持高达4096p的推理。

本研究提出MIXAD模型，结合记忆网络与时空处理单元，解决多变量时间序列数据的异常检测与可解释性之间的矛盾，异常评分方法的可解释性提升了34.30%和34.51%。

本研究提出了一种以权重谱动态为核心的实证方法，揭示了谱动态在区分记忆网络与泛化网络、解释稀疏子网络及损失表面结构中的作用，为理解神经网络行为提供了新的框架。

本研究提出了一种以权重的谱动态为中心的实证方法，用于统一和澄清深度学习中的一些现象。研究发现谱动态能区分记忆网络与泛化网络，并解释稀疏子网络的出现及损失表面的结构。该方法为理解神经网络行为提供了一个连贯的框架。