本研究使用两个覆盖太阳 23 和 24 周期活动区参数和径向磁场线的数据产品训练和评估了两种深度学习算法 ——CNN 和 LSTM 及其组合。在太阳 23 的数据上，使用 TSS 标准从 LSTM 和 CNN 的组合预测中获得了明显更高的 TSS。而视觉归因方法已经证明是指纹中性线 - of-sight 磁谱的有效方法，可以从活动区的新型磁通中明显地解释 CNN 的预测。

Apr, 2022

本研究证明了，考虑太阳周期性的情况下，基于视频的深度学习可以用于操作性耀斑预测，并描述了一个用于构建平衡活动区集的算法来训练和验证包含卷积神经网络和长短期记忆网络的长期循环卷积网络，该方法以 2015 年 3 月和 2017 年 9 月的太阳风暴为例来评估其效果。

Sep, 2022

本文提出了一种 guided labeling 方法，可以自动确定从未标记的数据集中应该标记哪些样本，从而显著地减少了需要手动标记的样本数量。

Dec, 2017

本文提出了一种基于卷积神经网络（CNN）的半监督学习方法：VideoSSL，用于视频分类，可以在只使用少量标注样本以及利用无标注数据的两种信号指导下，在 UCF101、HMDB51 和 Kinetics 三个公开数据集上实现出色的性能。

Feb, 2020

太阳系小天体的科学研究最终从对这些天体的搜索开始。本章对使用机器学习技术在天文图像中寻找移动天体（包括自然和人造天体）的方法进行了综述。综述包括了传统非机器学习技术的简要回顾以及相对不成熟的机器学习文献中的三大类方法：流迹检测、图像序列中移动点源的检测以及位移堆叠搜索中移动源的检测。在大多数情况下，人们使用卷积神经网络，这是很自然的选择。文章还介绍了两个例子网络：一种我设计的残差网络，用于各种位移堆叠搜索，以及一种专门设计用于预测源亮度及其不确定性的卷积神经网络。在讨论文献和例子网络时，我还讨论了机器学习技术的各种潜在问题，包括过拟合的重要问题。我还讨论了与机器学习技术相关的各种陷阱以及在将机器学习应用于新问题时的最佳实践方法，包括创建稳健的训练集、验证和避免过拟合的训练方法。

May, 2024

使用机器学习 (ML) 进行太阳耀斑预测的研究聚焦于 SDO/HMI 时期关于太阳周期 24 和太阳周期 25 开端的高分辨率磁光图数据，并在一些研究中回顾了 SOHO/MDI 关于太阳周期 23 的数据。本文中，我们考虑了超过 4 个太阳周期的多个仪器的日常历史磁光图数据。这是首次利用这些历史数据进行基于 ML 的耀斑预测尝试。我们应用卷积神经网络 (CNN) 从全盘磁光图中提取特征，并结合逻辑回归模型用于融合基于磁光图和耀斑历史的标量特征。我们采用集成方法生成在接下来的 24 小时内 M 级或更强耀斑的校准概率预测。总体而言，我们发现包含历史数据能够提高预测的准确性和可靠性。我们显示单帧磁光图中并不包含比少量标量特征所能概括的显著更多相关信息，并且耀斑历史的预测能力大于我们从 CNN 中提取的特征。这表明在耀斑预测模型中包含时间信息的重要性。

Aug, 2023

本研究提出了一种迭代增强算法，它能够通过训练循环神经网络来直接学习迭代过程，从而有效地改善卫星图像分类地图的质量。

Aug, 2016

本文研究了宇宙学中通过机器学习进行分类的方法，在超新星现象中，使用卷积神经网络进行 I.a 超新星与非 I.a 超新星的二元分类，提出两种卷积神经网络分别应对超新星光变曲线的时间序列和数据稀疏的问题，并达到了当前最先进的水平。

Jan, 2019

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

本研究针对医学影像识别问题，探讨应用视频识别技术作为磁共振图像分类的方法，并运用三种不同的视频识别模型和数据增强技巧分别对四个阿尔茨海默病和帕金森病识别数据集进行实验。结果显示，相对于 3D-CNN 模型，视频框架在有效性上表现更佳，可减少 50% 至 66% 的可训练参数。该研究推进了 3D 医学成像和视频理解研究的融合潜力。

Feb, 2023