- 深度学习系统作为复杂网络
该文章使用复杂网络中常用的技术研究了深度置信网络，以期获得从学习过程中得到的计算图的结构和功能特性的一些见解。
- AAAI深度置信网络用于高分辨率多通道脑电水平数据的癫痫检测
本文探讨了在高分辨率，多通道 EEG 数据中，采用各种表示方法和机器学习算法进行癫痫检测的可行性，通过研究分类精度、计算复杂度和内存需求了解哪些方法最适合处理大规模数据。特别是指出，堆叠学习方法，如深度置信网络，在这些方面表现出色。
- ApproxDBN：用于鉴别式深度置信网络的近似计算
通过有限精度变量、关键性分析、贪婪策略等技术实现近似深置信网络 (ApproxDBNs)，在保证目标准确率的前提下，最大化降低硬件实现的能耗。实验结果表明，通过限制准确度损失，能够显著降低硬件的处理精度。
- 深度学习的起源
本文综述了深度学习模型的演化历程，从神经网络的起源到如今的卷积神经网络、深度置信网络和循环神经网络，分析了这些模型的发展过程和思想，为深度学习提供了全面的背景和未来研究的指导方向。
- NIPS基于神经符号学和 ILP 增强的 DBN 的 EDA 优化
本文研究通过深度置信网络 (DBN) 和归纳逻辑编程 (ILP) 的新型组合来使用估计分布 (EDA) 方法解决离散优化问题。我们的神经符号 EDA 引擎使用 ILP 引擎构建具有站在领域背景知识相好的解决方案的模型，并将这些规则作为布尔特 - ICMLDropout 的鲁棒性、一致性和差分隐私特性：保留还是舍弃？
使用 dropout 来避免局部最小值的出现，同时也可用于稳定凸型 ERM 的梯度下降方法，从而提供准确且保护隐私的预测。
- 重加权唤醒 - 睡眠
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 - ICLR用于图像去噪的深度信念网络
本文提出了一种新的基于深度置信网络的图像去噪方法，在 MNIST 数据集上的应用结果显示，该方法在去噪方面取得了显著的成果。
- ICLR深度置信网络提取特征的区别
本研究旨在提出两种方法，以区分自动提取特征与机器学习任务相关性，将其应用于面部识别任务的深度信任网络。
- 具有离散单元的窄信念网络的通用逼近深度和错误
本文研究了底层深度置信网络的最小层数，可以逼近任意概率分布，包括离散限制玻尔兹曼机和朴素贝叶斯模型，并考虑了有限状态空间和逼近误差容限为任意值等条件。
- 深度信念网络和受限玻尔兹曼机的通用逼近结果的改进
本文提出了一种新的算法改善了 Restricted Boltzmann Machines (RBM) 和 Deep Belief Networks (DBN) 在集合二进制向量的分布表示方面的问题，证明了一个由 Le Roux 和 Beng - 深度稀疏图模型的结构学习
本文介绍了级联的印度自助餐过程 (CIBP)，将其作为单层无限宽隐藏层的置信网络的有向结构的非参数贝叶斯先验，提供了一种无限深和宽、可处理推理的分层有向置信网络结构学习方法，使用非线性高斯置信网络和可变离散和连续表示的单元，提供了用于置信网