本文提出了一种无监督集成方法，名为 Oblique Forest AutoEncoders (简称 OF-AE)，它通过使用包含特征的多元线性组合的斜分裂代替轴平行分裂的方式，计算出一组线性不等式的稀疏解，进而设计了一种自编码器方法，其代码可在链接中获取。

Jan, 2023

通过引入 Converting Autoencoder 和 intraclass clustering 方法，本研究设计了 EncodeNet 框架，提高了 DNN 模型的准确性而不增加模型大小，并在 CIFAR-10 和 CIFAR-100 数据集上取得了比知识蒸馏和注意力机制更高的准确度。

Apr, 2024

该论文提出了一种名为 Deep Embedding Forest 的模型，采用嵌入层和基于树 / 森林的层，以实现快速服务支持，同时借鉴 Deep Neural Networks 的高维特征映射能力，通过仅使用传统硬件，该模型在性能上与 DNN 模型相当。

Mar, 2017

本篇论文介绍了一种基于深度学习的视频伪造检测方法，旨在通过训练自编码器和循环神经网络模型进行对视频素材的分析，通过分析得到的重构误差和时序依赖性等特征，识别视频中的异常检测点，最终检测到视频的伪造目的。

Aug, 2017

本文介绍了一种深度、生成式自编码器，它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法，我们证明了该方法在几个经典数据集上取得了最先进的生成性能。

Oct, 2013

基于收集的数据集，本文提出了一种名为 AETree 的树状自动编码器神经网络，用于城市生成。该模型利用空间几何距离测量建筑布局的相似性，通过构建二叉树来提取和合并空间信息，最终实现了 2D 和 3D 城市生成。此外，AETree 学到的潜在特征可用于城市规划应用。

Sep, 2023

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

使用对比自监督学习和集成模型的方法，构建一个架构，以有效地进行连续学习，同时避免灾难性遗忘，对多个基准测试问题进行评估并取得了优异的表现。

May, 2021

本论文根据对深度神经网络训练过程的观察，提出了 class-encoder 的形式化表述方法，它结合了自动编码器（auto-encoders）和 softmax 函数进行监督训练，以降低类别内部的特征空间变异性，提高人脸识别模型的分类性能。

May, 2016

为解决语篇树结构数据不足的问题，本文提出了一种基于无监督学习和隐式树归纳框架扩展的自动编码目标策略，可应用于生成语法分析、语篇分析等任何树状结构目标。

Oct, 2022