利用循环神经网络自编码器进行无监督特征提取和双用途评估网络进行监督分类和新颖性检测，从而构建了周期光变曲线分类器，并证明了自编码器和估计网络的同时训练互惠性，取得了更快的自编码器收敛速度、更好的分类和新颖性检测性能，同时估计网络即使在使用预训练自编码器特征进行优化时也可以提供额外的新颖性检测能力。

May, 2019

本文提出了一种基于深度学习的、端到端的自动变星分类算法，通过将光变曲线转化成矩阵表示来学习特征并实现自动分类，取得了与随机森林分类器相当的准确率，但计算速度更快、可扩展性更强。

Feb, 2020

本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

Oct, 2018

本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。

Jan, 2011

本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好，同时具有显著更快的训练速度。

Aug, 2020

本文介绍了使用变分递归自编码器神经网络对模拟的多波长观测数据进行编码来进行实时的引力透镜普查天文学研究，该方法在未标记和混乱的数据上具有显著的优势，并通过分析异常得分排除了一些干扰信号，最终提取出稀有、高纯度的暂变事件样本，这意味着该算法在 Rubin 天文台实时观测中具有重要的应用潜力。

Mar, 2021

本文介绍了一种新颖的神经网络类别，即循环置换不变网络，通过 “对称填充” 实现了极坐标卷积，从而保证了网络对相移的不变性。实验证明，该方法可显著提高分类精度，并可应用于多个科学领域。

Nov, 2020

我们提出使用变分顺序蒙特卡洛方法拟合随机低秩递归神经网络，验证了该方法在多个数据集上的有效性，并展示了对具有分段线性非线性性质的低秩模型进行高效识别的方法，可为大型递归神经网络的推断动态分析提供可行性。

Jun, 2024

通过对光变曲线进行二维图像表示，并使用基于深度学习的卷积神经网络分类器进行分类，实现了对天体多样化的快速分类。

Sep, 2017

本文提出了一种基于自编码器的残差深度神经网络，通过利用快捷连接嵌套实现残差映射，实现了对连续变量的可靠预测，并在多个数据集上得到了较高的精度和效率。

Dec, 2018