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。
以下论文供大家参考学习：
1.Universality of Deep Convolutional Neural Networks.
本文研究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。本文的定量估计严格地给出了要计算的自由参数的数量，验证了深度CNN在处理大维数据方面的效率。该研究还证明了卷积在深层CNN中的作用。
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。研究者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）。此外，在神经网络宽度和数据集维度的某些条件下证明了NTH的截断层次结构近似于NTK的动态，直到任意精度。
PDF下载链接：https://www.aminer.cn/pub/5d835fd03a55ac583ecde652/?f=cs
3.Patch-Wise Attack for Fooling Deep Neural Network
本文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，其对抗性示例可以具有很强的可转移性。具体来说，研究者在每次迭代中为步长引入放大因子，并且项目内核将溢出 （epsilon ）-约束的一个像素的整体梯度正确分配给其周围区域。
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
研究者提出了网络解剖，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，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。其次，使用类似的分析方法来分析训练用于生成场景的生成对抗网络（GAN）模型。最后将分析框架应用于理解对抗性攻击和语义图像编辑。
PDF下载链接：https://www.aminer.cn/pub/5f50c4339fced0a24b9c143c/?f=cs
5.iNNvestigate neural networks!
iNNvestigate库通过为许多分析方法提供通用接口和开箱即用的实现来解决目前存在的一些问题，包括PatternNet和ModertAttribution以及LRP方法的参考实现。为了证明iNNvestigate的多功能性，本文提供了对各种最先进的神经网络架构的图像分类分析。
PDF下载链接：https://www.aminer.cn/pub/5b8c9f4a17c44af36f8b6eb5/?f=cs
点击链接，下载更多相关论文：https://www.aminer.cn/topic/5fcdc56392c7f9be2115b503?f=cs
