深度学习神经网络的“混搭风”今年又出新花样啦！最近顶会顶刊上，各种神经网络的组合拳打得风生水起。

比如，CVPR 2025上的“HybridNet”模型，把CNN的局部特征提取能力和Transformer的长距离依赖捕捉能力完美结合，直接在图像分类任务上把准确率提升了10%。

另外在医学图像分割领域，LSTM和CNN的组合让时间序列数据处理变得小菜一碟，分割精度直接飙到95%。如果近期有发文需求的伙伴，建议可以把Transformer和Diffusion模型结合起来，用于生成任务，可能会有意想不到的效果哦~

这些成果不仅让神经网络在传统领域继续发光发热，还开拓了新的应用场景，比如故障诊断、情感分析等。我特意整理了10篇神经网络结合的相关论文，全是顶会顶刊成果，部分论文附上了代码便于大家复现，全部论文+开源代码，工种号 沃的顶会 扫码回复 “深度神经” 领取。

MAGNNET：Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning

文章解析

本文提出了一种结合图神经网络（GNN）与集中训练分散执行（CTDE）范式的新型框架MAGNNET，通过定制化的近端策略优化（PPO）算法实现多智能体深度强化学习（MARL），使无人机和无人地面车在3D网格环境中无需中心协调即可动态高效分配任务，同时避免任务冲突并最小化总旅行时间。

创新点

将图神经网络与多智能体深度强化学习结合，用于任务分配问题。

提出一种集中训练分散执行的框架，增强系统对通信约束的适应性。

通过定制化PPO算法提升多智能体协作性能。

在3D环境下实现了高效的动态任务分配，适用于异构多智能体系统。

研究方法

设计了一个结合GNN与CTDE的框架，用于多智能体任务分配。

采用Proximal Policy Optimization (PPO)算法进行多智能体深度强化学习训练。

利用基于预订的A*和R*路径规划器计算成本和路由。

实验验证了框架在不同规模智能体数量下的性能及动态任务生成场景中的鲁棒性。

研究结论

MAGNNET框架在92.5%的情况下实现了无冲突的任务分配成功，仅比集中式匈牙利方法低7.49%。

相较于基于贪婪算法的启发式去中心化基线方法，该框架表现更优。

框架在多达20个智能体的情况下展示了良好的可扩展性和鲁棒性。

结果表明该方法具有应用于复杂多智能体场景的实际潜力。

Evidential Deep Learning for Uncertainty Quantification and Out-of-Distribution Detection in Jet Identification using Deep Neural Networks

文章解析

本文研究了基于证据深度学习（EDL）在高能物理喷注分类中的不确定性量化和异常检测应用，探讨了EDL方法在喷注识别任务中的性能，并提出了改进EDL量化不确定性的新方法。

创新点

提出了一种基于EDL的不确定性量化方法，用于喷注分类任务。

通过公开数据集优化EDL超参数以提升不确定性估计能力。

揭示了EDL在异常检测中的潜在问题并提出更有效的解决方案。

研究方法

利用公开的喷注分类基准数据集进行实验。

探索EDL在喷注分类中的超参数优化策略。

对比EDL与贝叶斯集成方法的不确定性估计效果。

分析不确定性在不同喷注类别中的分布特性。

研究EDL方法在潜空间中的映射行为。

研究结论

EDL方法能够有效提供喷注分类任务中的不确定性信息。

EDL在异常检测方面存在局限性，但通过改进可以提高其性能。

研究为喷注分类模型中EDL的解释提供了新的视角，有助于开发更优的DL不确定性量化方法。