梦想是你所需要的一切
通过对梯度的多次估计，改进比重加权的wake-sleep算法可有效训练Helmholtz machines和deep belief networks模型，同时NADE作为一种更强大的模型代替sigmoidal belief network可以更好地估计后验分布。
Jun, 2014
本研究提出了U-Time算法，通过全连接前馈神经网络实现对睡眠数据进行分割和分类，相较于当下领先的深度学习算法，U-Time算法具备更加强大的鲁棒性和更简单的训练流程，无需特定任务的调整或超参数调控，在多个研究数据集上展现了优异表现
Oct, 2019
DreamCoder是一种利用编程语言和神经网络学习和解决问题的系统，它可以解决各种问题，包括经典的归纳式编程任务和创意任务，从而构建符号表示的多层次概念体系，具有可解释性和可迁移性。
Jun, 2020
本文提出了一种无解码器的扩展Dreamer（基于图像的模型基强化学习方法）来提高机器人学习效率，并在5个仿真机器人任务中表现出更好的性能，主要使用了对比学习方法和自编码器神经网络技术。
Jul, 2020
提出了一种基于多模态数据的睡眠分期网络SalientSleepNet，该网络使用了U2-Net体系结构，并且由两个独立的U2-Net流组成，用于从多模态数据中提取显著特征，并使用多尺度提取模块捕获不同睡眠阶段之间的多尺度过渡规则，以及使用多模态注意力模块自适应地捕获有价值的信息用于特定的睡眠分期。与现有深度神经网络模型相比，该模型参数最少，并在两个数据集上展现了优异的表现。
May, 2021
通过收集全面的电脑图谱（EEG）数据集并设计了Universal Sleep Decoder（USD）模型，成功地在清醒状态和睡眠状态之间建立了神经表征，实现了对记忆重播的解码，提高了解码准确度。
Sep, 2023
本研究提出了一种基于神经网络的自动睡眠分期模型（DREAM），通过从生理信号中学习领域通用表示并建模睡眠动力学，解决了睡眠分期研究中的几个关键问题，包括主体生理信号的异质性、从未标记的睡眠信号数据中提取有意义信息以改善预测性能的能力、建模睡眠阶段相互关系的困难以及量化预测不确定性的有效机制的缺乏。实验表明，DREAM在三个数据集上胜过现有的睡眠分期方法；案例研究证明我们的模型可以学习到广义的决策函数，从而在新的主体上表现出良好的预测性能，特别是在测试和训练主体之间存在差异的情况下；使用未标记数据展示了利用未标记的脑电数据的益处；进一步，不确定性量化表明DREAM提供了预测的不确定性，使模型可靠，并有助于在实际应用中帮助睡眠专家。
Dec, 2023
利用“Wake-Sleep Consolidated Learning”学习策略，结合互补学习系统理论和人脑清醒-睡眠阶段，提高深度神经网络在连续学习环境下进行视觉分类任务的性能。
Dec, 2023
本研究解决了分类任务中探索与精确性的平衡缺口，提出了两个新型深度学习模型SleepNet和DreamNet。通过将监督学习与无监督的“睡眠”阶段结合，研究显示这些模型在多种图像和文本数据集上超越了当前最先进的模型，展示了无监督探索与监督精确相结合的优势。
Sep, 2024