通过自主学习的潜在事件编码，我们模拟了层次预测的发展，并提出了一种采用递归神经网络的分层体系结构，能够生成能够压缩感知动作序列的稀疏变化潜在状态。高层网络能预测潜在状态发生变化的情况。我们在仿真机器人操纵器上进行了实验，结果显示这个系统学习到了准确的数据事件结构，能够生成类似于婴儿眼追踪研究中发现的目标预期行为，并且为自主学习压缩层次编码和利用这些编码来生成自适应行为提供了新的方式。

Jun, 2022

本文提出了一种自我监督的、基于认知心理的预测学习框架，通过自适应学习来减少循环神经网络中灾难性遗忘的影响，在三个公共数据集上进行了广泛的实验，表明所提出的方法能够优于弱监督和其他非监督学习方法最多达 24％，并具有完全监督方法相媲美的性能。同时，该方法还能够学习高度区分特征，进而提高动作识别的表现。

Nov, 2018

通过将脉冲神经网络与事件摄像头相结合，我们设计了一种生物可行的编码器 - 解码器 U 型架构的语义分割方法，旨在在性能与资源使用之间进行权衡。实验证明 EvSegSNN 在 MIoU 方面优于最接近的最新模型，同时参数数量减少了 1.6 倍，省去了批归一化阶段。

Jun, 2024

本文提出了一组用于时间序列预测的方法，包括两种基于时间的事件表示方法和两种使用下一个事件持续时间作为正则化的方法，并通过基于 RNN 的实验评估，证明这些方法可以提高准确性。

Jul, 2017

提出了将事件分段作为辅助任务以改善子事件检测学习的方法，并采用整流网络进行约束学习，并将学习到的约束转换为神经模型的损失函数中的正则化项，实验结果表明，该方法在子事件检测中比基准方法分别提高了 2.3％和 2.5％的性能，同时在事件分割预测方面表现良好。

Sep, 2021

通过在事件数据和光流信息上利用自监督变换器，我们提出的方法克服了事件驱动运动分割的限制，消除了人工注释的需求，并减少了参数调整问题，实现了在多个数据集上与现有方法相比的最新性能，适用于高动态航空平台上的高清事件摄像头在城市环境中处理各种类型的运动并处理任意数量的移动对象。

May, 2024

探索在自动化故事生成方面的事件表示，技术预处理为事件序列，并将问题分解为连续事件与事件的自然语言句子生成，比较不同事件表示对事件的继承和文本生成的影响。

Jun, 2017

使用自我关注的时间序列建模在自然语言处理中具有前沿技术，但是并不能捕捉到事件之间的时间跨度，我们通过使用高维函数特征映射来构建一个时间不变的核函数，提出了几种学习功能时间表示和与事件表示交互的模型，并在真实世界数据集上进行了实验，结果表明这些方法可以更好地捕捉时间事件交互。

Nov, 2019

提出了一种基于 LSTM 的生成网络，使用视觉上下文来决定边界，针对视频内容分割中的挑战，能够准确地将图像帧聚类成事件，并在大规模生活记录数据集上证明了其高效性。

Aug, 2018

本文介绍了一种计算机处理连续叙述文本的方法，通过使用大型语言模型 GPT-3 自动完成事件分割和注释，获得与人类注释高度相关的结果，可能为深入探究人类事件感知的原理提供有用的方法。

Jan, 2023