【深度神经网络】必读论文合集推荐

近日，史蒂文斯理工学院的研究人员与普林斯顿大学和芝加哥大学合作，现在已经教会了一个人工智能算法来模拟人们的第一印象，其中的原理就是通过训练一个神经网络，让它仅仅根据人们的面部照片就对人们做出类似的快速判断。因此，AMiner特为您整理出深度神经网络论文合集，助您进一步了解该领域的相关内容。先来了解一下深度神经网络 👇

深度神经网络（Deep Neural Networks， 简称DNN）是深度学习的基础，是深度学习的一种框架。它是一种具备至少一个隐层的神经网络，与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

相关论文合集链接：https://www.aminer.cn/topic/5fcdc56392c7f9be2115b503?f=cs

1.Universality of Deep Convolutional Neural Networks.

“我们展示了深度卷积神经网络（CNN）是通用的，这意味着当神经网络的深度足够大时，它可以用来将任何连续函数近似到任意精度。这回答了学习理论中的一个悬而未决的问题…”

PDF下载链接：https://www.aminer.cn/pub/5b3d98cc17c44a510f801f5e/?f=cs

2.Dynamics of Deep Neural Networks and Neural Tangent Hierarchy

本文研究了有限宽度深度全连接神经网络的NTK动态，推导出常微分方程的无限层次结构，即捕获深度神经网络的梯度下降动态的神经切线层次结构（NTH）…

PDF下载链接：https://www.aminer.cn/pub/5d835fd03a55ac583ecde652/?f=cs

3.Patch-Wise Attack for Fooling Deep Neural Network

“我们提出了一种补丁迭代算法 - 一种针对主流正常训练和防御模型的黑盒攻击，这与现有的操纵像素噪声的攻击方法不同。这样，在不牺牲白盒攻击性能的情况下，我们的对抗性示例可以具有很强的可转移性…”

PDF下载链接：https://www.aminer.cn/pub/5f0ed05191e011ead96652cd/?f=cs

4.Understanding The Role Of Individual Units In A Deep Neural Network

“在这项工作中，我们提出了网络解剖，这是一个分析框架，用于系统地识别图像分类和图像生成网络中各个隐藏单元的语义。首先，我们分析了一个在场景分类上训练的卷积神经网络（CNN），并发现与一组不同的对象概念相匹配的单元…”

PDF下载链接：https://www.aminer.cn/pub/5f50c4339fced0a24b9c143c/?f=cs

5.iNNvestigate neural networks!

“为了证明iNNvestigate的多功能性，我们提供了对各种最先进的神经网络架构的图像分类的分析…”

PDF下载链接：https://www.aminer.cn/pub/5b8c9f4a17c44af36f8b6eb5/?f=cs

6.Gradient Descent Finds Global Minima of Deep Neural Networks.

“我们的分析依赖于神经网络架构诱导的Gram矩阵的特定结构。此结构使我们能够证明Gram矩阵在整个训练过程中是稳定的，这种稳定性意味着梯度下降算法的全局最优性。我们进一步将分析扩展到深度残差卷积神经网络，并获得类似的收敛结果…”

PDF下载链接：https://www.aminer.cn/pub/5c04966a17c44a2c74708316/?f=cs