本研究提出了一种新的少样本类增量学习（FSCIL）方法，旨在解决深度学习在动态环境中的适应性不足和对大量训练数据的依赖。该方法通过为每个学习阶段开发独立模型，有效防止灾难性遗忘，并在CIFAR-100和mini-ImageNet数据集上取得了优异表现。

本研究提出了一种自注意时空校准（SASTC）方法，旨在提高脉冲神经网络（SNN）的准确性。该方法通过自注意机制实现了人工神经网络（ANN）与SNN之间的语义对齐，显著提升了SNN在CIFAR-10和CIFAR-100数据集上的表现，推动了SNN的应用潜力。

本研究提出了一种基于平面动物神经网络的新方法，以提高人工神经网络在图像分类中的预测准确性。结果表明，该方法在CIFAR-10和CIFAR-100数据集上优于传统神经网络，展示了生物启发架构的潜力。

本研究提出了一种典型性意识学习（TAL）方法，以解决深度神经网络在故障检测中的过于自信问题。TAL通过动态调整样本的典型性指标，降低不典型样本的过拟合，从而显著提升了CIFAR100数据集上的故障检测性能，AURC提升超过5%。

本研究探讨了知识蒸馏的不同层次及其应用，提出了PTLoss和R2KD等改进方法，显著提升了模型性能。通过动态调整教师模型的输出，RLD方法有效消除了误导信息，保留了重要的类别相关性。实验结果表明，在CIFAR-100和ImageNet数据集上优于现有技术。

本文介绍了一种基于分层结构的深度卷积神经网络(HD-CNNs)，通过粗细分类器提高分类效果，并在CIFAR100和ImageNet上取得优异成绩。此外，提出了自适应分层网络、多标签分类模型及长文本分类方法，显著提升了分类性能和效率。

本文探讨了神经网络中的激活函数，特别是ReLU的作用及其对网络性能的影响。研究提出了一种新型激活函数Sqish，实验结果表明其在分类和对抗性鲁棒性方面优于ReLU，尤其在CIFAR100数据集上表现显著改善。

该研究提出了一个两阶段学习框架，通过分析灾难性遗忘的原因，使用固定编码器和逐步更新原型分类器来解决问题。实验证明，该方法在CIFAR-100和ImageNet100上分别提高了18.24%和9.37%。

该研究提出了一种基于l2范数的新方法，用于检测ODD攻击技巧。该方法在CIFAR10/100平均OOD检测度量方面相对于之前的方法有约13％/5％的提高，并在分布内样本上提供高水平的认证和敌对鲁棒性。

本文介绍了一种名为Sqish的新型激活函数，可替代现有的激活函数。作者展示了Sqish在分类、目标检测、分割任务和对抗性鲁棒性实验中的优越性。在CIFAR100数据集上，使用ShuffleNet V2模型在FGSM对抗攻击中，相较于ReLU取得了8.21%的改进，并且在CIFAR100数据集上，使用ShuffleNet V2模型进行图像分类，相较于ReLU取得了5.87%的改进。

FCILPT是一种新方法，通过使用提示来减轻旧类别的灾难性遗忘，解决了非独立分布的数据和新类别的到来所导致的问题。实验证明FCILPT在CIFAR-100、Mini-ImageNet和Tiny-ImageNet上相比现有方法取得了显著的准确性改进。

我们提出了使用Masked Autoencoders (MAEs)解决Class Incremental Learning (CIL)问题，通过双边MAE框架融合图像级和嵌入级，获得更好质量的重建图像和更稳定的表示。实验证实了我们的方法在CIFAR-100、ImageNet-Subset和ImageNet-Full上优于现有技术。

通过DFL算法解决了去中心化联邦学习中的局部一致性和局部异构过拟合问题，并在MNIST、CIFAR10和CIFAR100数据集上验证了算法的优越性能。

本研究提出了名为NCL的新框架，用于学习具有判别性的表示，并在聚类性能方面取得了显著提高。实验证明，该框架在CIFAR-100和ImageNet上的聚类准确性分别提高了13％和8％，超过了现有方法。

LNN(ListenAI Neural Network) 是聆思科技专为聆思 AIOT 芯片（目前支持 CSK6 系芯片）定制开发的AI生态工具链，它包含linger和thinker两个部分，其中linger是量化训练组件，thinker是轻量级推理引擎组件，两个套件相互配合实现了训练推理一体化。