Eine erfolgreiche Anwendung eines erweiterten Verfahrens auf das Problem des Erlernens zielgerichteter Retinatrajektorien zur selektiven Aufmerksamkeitssteuerung findet sich in [117] (siehe auch [118] und [93]). Das Ziel des Systems bestand darin, ohne Lehrer zu lernen, sequentielle Steurersignale zu erzeugen, so daß die Endposition einer durch die Steuersignale bewegten künstlichen Retina (mit hoher Auflösung im Zentrum und niedriger Auflösung in den peripheren Bereichen) einem zu findenden Objekt in einer visuellen Szene entsprach (dies läßt sich als eine Form gerichteter Aufmerksamkeitssteuerung interpretieren). Motivation war hierbei, die kaum erfolgreichen und ineffizienten rein statischen Ansätze zur Mustererkennung durch einen effizienteren sequentiellen Ansatz zu ersetzen. Dieser Ansatz war inspiriert durch die Beobachtung, daß biologische Systeme den Mustererkennungsprozeß auf sequentielle Augenbewegungen abstützen. In der ersten Phase wurde ein Modellnetzwerk dabei daraufhin trainiert, bei gegebener zufällig gewählter Retinaeingabe und zufällig gewähltem Steuersignal die Retinaeingabe zum nächsten Zeitschritt möglichst gut vorherzusagen. In der zweiten Phase (nach Einfrieren von 's Gewichten) lernte im Laufe von größenordnungsmäßig 20000 Trainingsversuchen unter Zuhilfenahme von , Sequenzen von Kombinationen von Retinatranslationen und -rotationen zu erzeugen, und zwar dergestalt, daß die Retinaeingabe am Ende der größenordnungsmässig 20 Zeitschritte umfassenden Trajektorie gleich einer gewünschten finalen Eingabe korrespondierend zu dem zu findenden Objekt war. Kein Lehrer teilte dabei mit, welche Steuerausgabe es zu welchem Zeitpunkt auszugeben hatte. Die einzige Information über das Ziel bestand aus der gewünschten Eingabe am Ende der Steuersequenz.
Weitere Applikationen (u.a. auf Balancierprobleme in Nicht-Markov-Umgebungen) werden in [108] beschrieben.