(en) Michael S. Gashler et Stephen C. Ashmore, « Training Deep Fourier Neural Networks to Fit Time-Series Data », Intelligent Computing in Bioinformatics, Springer International Publishing, , p. 48-55 (« 1405.2262 », texte en accès libre, sur arXiv.)
(en) David Sussillo et L. F. Abbott, « Random walks: Training very deep nonlinear feed-forward networks with smart initialization », CoRR, vol. 286, (« 1412.6558 », texte en accès libre, sur arXiv.).
(en) Kaiming He, Xiangyu Zhang, Shaoqing Ren et Jian Sun, « Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification », Computer Vision and Pattern Recognition, « 1502.01852 », texte en accès libre, sur arXiv.
(en) Djork-Arné Clevert, Thomas Unterthiner et Sepp Hochreiter, « Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs) », Machine Learning, « 1511.07289v3 », texte en accès libre, sur arXiv.
(en) Luke B. Godfrey et Michael S. Gashler, « A Continuum among Logarithmic, Linear, and Exponential Functions, and Its Potential to Improve Generalization in Neural Networks », Proceedings of the 7th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management: KDIR, Lisbonne, Portugal, , p. 481-486, « 1602.01321 », texte en accès libre, sur arXiv.
(en) Prajit Ramachandran, Barret Zoph et Quoc V. Le, « Searching for Activation Functions », Proceedings of ICLR 2018, , « 1710.05941 », texte en accès libre, sur arXiv.
jmlr.org
(en) Xavier Glorot et Yoshua Bengio, « Understanding the difficulty of training deep feedforward neural networks », Proceedings of the International Conference on Artificial Intelligence and Statistics (AISTATS’10), Society for Artificial Intelligence and Statistics, (lire en ligne)
