本文介绍了深度学习在生物信息学中的应用， 并按生物信息学领域（组学，生物医学成像，生物医学信号处理）和深度学习架构（深度神经网络，卷积神经网络，循环神经网络，新兴架构）将其进行分类，同时讨论了深度学习在生物信息学中存在的理论和实际问题，并提出了未来的研究方向。

Mar, 2016

该论文综述了近期生物学启发的人工智能方法，重点介绍了脉冲神经网络模型及其训练中的挑战，以及用于传统网络和脉冲网络的生物启发式训练方法，以推进当前模型的计算能力和生物合理性。

Jul, 2023

最近基于深度学习的新兴技术在人工智能领域的各种任务中取得了卓越的结果，然而，它们面临着对抗性输入、生态影响以及需要大量训练数据等多个挑战。作为回应，研究人员越来越关注生物基础的机制，因为生物大脑所展示的惊人能力具有吸引力。本调查研究探讨了一系列这些受生物启发的突触可塑性模型，在深度学习场景中的应用以及与尖峰神经网络突触可塑性模型的关联。总的来说，生物启发的深度学习是一个令人兴奋的研究方向，旨在推进我们当前的技术，同时也加深对智能的理解。

Jul, 2023

综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性，并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构，并讨论了深度学习研究的挑战和未来方向。

Mar, 2024

该论文介绍了人工智能中机器学习的相关概念，特别介绍了称为深度神经网络（DNNs）的一种深度学习模型，它具有多个人工神经元和层级结构，但容易受到所谓的 “灾难性遗忘”（CF）效应的影响，它还介绍了对抗 CF 效应的各种技术，以实现持续学习的目标。

Jul, 2022

本文综述了深度学习模型及其在生物信息学和医疗保健领域中的广泛应用，涵盖了不同结构的 DL 模型，并讨论了进行 DL 研究时可能遇到的一些关键挑战。

Feb, 2023

该综述旨在通过研究神经科学和认知心理学的方法，为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展，但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中，以克服数据驱动的限制，并以更加接近人类智能的方式支持决策。本工作是一项纵向综述，试图广泛探索大脑功能的范围，包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念，如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。

Jan, 2024

本文综述深度学习、强化学习和深度强化学习等技术在生物数据挖掘中的应用，并比较了这些技术应用于不同数据集在各个应用领域的表现，最后概述了这个具有挑战性的研究领域中的未解决问题和未来发展前景。

Nov, 2017

这篇文章利用自然语言处理技术，针对多个领域的相关研究文献分析了深度学习技术的扩散和影响，在研究健康科学的过程中发现，深度学习技术的采用虽然与知识结构的颠覆和再组合的新颖性呈现负相关，但却能提高期望和引用性能方面的变异性。因此，深度学习方法可以作为一种通用的科学方法，以可衡量的方式推动科学的进展。

Sep, 2020

本论文系统地研究了与脑信号分析相关的脑机接口的类型、深度学习技术以及应用领域，并对过去五年发表的 230 多篇文章进行了综述，同时讨论了深度学习在脑机接口中的挑战和未来方向。

May, 2019