本研究提出了增强特征量子自编码器（EF-QAE），通过定义一个参数化的量子电路和特征向量特征不同模型，EF-QAE 实现了更好的压缩量子信息性能，并在近期量子技术能力范围内实现了更好的性能。
Oct, 2020
该论文介绍了首个用于三维点云的量子自动编码器，通过在模拟的基于门的量子硬件上进行实验，证明了该方法优于简单的经典基准模型，为三维计算机视觉领域开辟了新的研究方向。
Nov, 2023
研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。
Oct, 2017
设计了一个集成预处理和量子分类算法的可训练模型，即引导量子压缩模型，来解决量子机器学习算法使用经典自动编码器作为独立预处理步骤可能导致分类性能下降的问题，并通过应用于 LHC 的质子 - 质子碰撞中的希格斯玻色子识别，展示了该模型在解决分类问题上的优越性能。
Feb, 2024
本研究探讨了量子机器学习技术在经典和量子通信中的应用，证明了该技术在不同量子信道模型下的强大性能，并为量子通信系统的研究提供了新的进展，使得人们在调制约束、各种通信设置和多样化的信道模型的容量界限方面有了更好的理解。
Jul, 2023
通过使用压缩数据和自动编码器结合量子组件，我们的研究表明在混合迁移学习中，经典组件显著影响分类结果，而这一贡献常常被错误地归因于量子元素。我们的模型表现与使用幅度嵌入的变分量子电路相一致，将其定位为一种可行的替代方案。
本文提出了一种基于混合量子自编码器的 QML 算法，旨在在经典描述的空间中学习识别和分类量子态的特征属性，为聚类和半监督分类提供了一种新的方法，该方法针对的是幅度编码的量子态，可以应用于非平凡的量子数据集的结构分析。
Jul, 2021
本文综述了不同类型的自编码器及其应用，自编码器是一种神经网络，通过压缩表示和重构输入以实现输入的重构。
Mar, 2020
这篇论文介绍了一种基于量子自编码器的图像异常分割方法，其中参数的数量与图像块的大小对数缩放。该方法通过量子状态的重构，通过 SWAP 测试对嵌入输入块计算异常映射，而无需重建输入图像，并在多个数据集和参数配置下评估其性能并与经典对应方法进行比较。
Apr, 2024
本文研究了数据编码策略对参数化量子电路作为函数逼近器的表达能力的影响，发现量子模型可以被自然地写成数据的部分傅里叶级数，通过多次反复简单的数据编码门，量子模型可以访问越来越丰富的频率光谱，发现存在一些量子模型可以实现所有可能的傅里叶系数集，因此如果可访问频谱足够丰富，则这些模型是通用函数逼近器。
Aug, 2020