Peta::NN 是一个用 Perl 编写的神经网络库，无需外部框架，专注训练小型模型（几千到几十万权重），用于处理字符串的窄任务。它支持链式组合模型，可在 CPU 和 GPU 后端运行，训练德语名词复数等任务准确率达 98% 以上。库约 7000 行，强调小模型组合优于大模型，已在 CPAN 发布。

Apache TVM是一个深度学习编译框架，支持在Arm Cortex-M55 CPU和Ethos-U55 NPU上运行模型。本文介绍如何在固定虚拟平台上编译和运行MobileNet v1模型，并使用CMSIS-NN进行优化。通过命令行工具tvmc进行模型编译，并提供必要的Python依赖和示例代码，最终实现对输入图像的分类。

本文介绍了多种基于深度学习的点云配准方法，如PointNet、Deep Closest Point和TEASER，强调了这些算法在处理噪声和离群点方面的有效性。研究表明，这些方法在计算效率和配准精度上优于传统算法，适用于3D重建和姿态估计等应用。

本文介绍了$k$NN-LMs模型，该模型结合了预训练神经语言模型与$k$最近邻居模型，显著提高了语言模型的困惑度和推理速度。研究表明，检索增强的语言模型在新领域表现优越，且通过改进检索和模型架构可进一步提升性能。

云服务中的统一神经网络（UnifiedNN）通过合并多个神经网络模型，实现同时训练多个模型，显著减少内存占用和训练时间，而不影响训练和测试的准确性。

本文介绍了一种基于交叉编码器的检索方法，利用CUR分解提高检索效率，特别是在k-NN查询中表现优越。研究表明，该方法在减少近似误差和提高检索率方面优于传统的BM25和双编码器方法。此外，提出的聚类嵌入学习（CEL）和协作相似度嵌入模型（CSE）在推荐系统中也显示出显著优势。

本研究提出了一种名为 NN-VVC 的混合编解码器，结合了 E2E-learned 图像编解码器和传统视频编解码器 (CVC)，在图像和视频编码领域为机器实现高性能。实验证明，该系统在多个数据集和机器视觉任务上较 VVC 实现了高达 - 43.20% 和 - 26.8% 的 Bjøntegaard Delta 速率减小。据我们所知，这是第一篇在多个数据集和多个机器视觉任务上展示了优于...

本文综述基于邻域图的聚类与kNN方法研究，涵盖随机邻域图的最优聚类及参数k选择、含噪环境下识别聚类的概率证明、自适应选择k的改进kNN分类器及收敛界、融合分布信息的偏好附加k近邻图（paNNG）、kNN子图对簇树的一致估计及首个有限样本剪枝结果，以及非局部KNN松弛、局部加权回归、近似谱聚类、图学习算法和自适应核图神经网络。

本研究提出了一种SAMN模型，将SVM和NN结合起来，通过样本关注模块、类原型和记忆块，显著提高了多分类任务的分类性能。该模型超过了单独的SVM或NN模型，以及之前最佳的SVM和NN结合模型。样本关注机制是一个灵活的模块，可以轻松深化并应用于需要的神经网络中。