探讨了深度神经网络、特征选择和优化之间的关系，并通过引入 Group Lasso penalty 的方法，同时解决了三个问题，证明此方法可以在大规模分类任务上有效地实现。

Jul, 2016

本文研究了深度模型中结构学习的可能性和益处，重点探讨了 Restricted Boltzmann Machines，介绍了一种 Sparse Boltzmann Machines 的学习方法，并通过实验结果显示 Sparse Boltzmann Machines 与 RBMs 相比具有更好的拟合和可解释性。

Sep, 2016

本文从网络科学的角度，提出了一种基于小世界和无标度网络拓扑结构的约束 Restricted Boltzmann Machines 模型，它能够大大减少权重数量，提高生成能力，而不增加计算成本。

Apr, 2016

通过对玻尔兹曼机的连接进行正则化，我们证明了正则化玻尔兹曼机能够表示任意分布，并且控制能量局部极小值的数量，从而实现了简化的采样和训练，同时能够存储指数级的任意相关可见模式，并与稠密关联记忆网络相关联。

Oct, 2023

本文介绍的结构受限玻尔兹曼机（Structural Restricted Boltzmann Machine）模型针对图像建模的应用，通过限制隐层单元与可见层子集的连接来显著降低可训练参数数量，而不会影响性能。通过对多个图像域进行广泛实验，评估使用 MNIST 数据集的图像去噪结果和五个不同图像域的分类性能，结果表明相比于无限制连接的 RBM，该模型具有更快、更稳定的训练，并且可以获得更好的结果。

Jun, 2023

本文探讨了大脑如何使用 Hebbian 学习规则来避免高维稀疏分布表示的 “维度灾难” 问题，并使用特定的稀疏数据集来证实使用 Restricted Boltzmann Machines 分类器的好处。

Jul, 2022

本文从密度模型的角度出发，对高斯 - 二进制受限玻尔兹曼机（GRBM）进行理论分析，展示了 GRBM 的一些性能和限制，讨论了训练算法的几个关键点，并与其他改进的模型进行了比较。

Jan, 2014

本文指出，关于促进稀疏性的更强大的贝叶斯算法具有类似于长短期记忆 (LSTM) 网络或先前设计用于序列预测的替代门控反馈网络的结构，从而导致了一种新的稀疏估计系统，当授予训练数据时，可以在其他算法失败的方案中高效地估计最优解，包括在实际方向 - 到达 (DOA) 和三维几何恢复问题中。

Jun, 2017

本文提出了一种从高维时间序列数据中提取少数基本隐藏变量的方法，并学习这些隐藏变量之间的状态转移规则的方法，实验结果表明该方法可以从观测到的状态转移中学习这些物理系统的动态，并预测未观测到的未来状态。

Dec, 2022

我们提出了相应的量子算法来解决 Restricted Boltzmann Machines 结构学习问题，并证明这些算法相对于经典算法在这两类 RBMs 的结构学习中具有多项式加速。

Sep, 2023