本文通过将标签信息纳入模型的训练，将原始的自动编码双瓶颈哈希模型推广为一种有监督的深度哈希网络，着重考虑多标签数据集中的类不平衡问题，并在三个数据集上进行实验，取得了显著的提高。
Jun, 2023
本文提出一种基于对比学习和信息瓶颈的二进制哈希方法，通过定义新的目标函数和引入概率二进制表示层来促进模型的端到端训练，证明了其与互信息的强联系，并在三个基准图像数据集上得到了显著优于现有基线的实验结果。
May, 2021
本文提出了一种新颖的无监督视频哈希框架 Self-Supervised Video Hashing (SSVH)，通过设计编码器 - 解码器体系结构以及使用二进制自动编码器来捕获视频序列的时间性质，将视频嵌入二进制代码并赋予其准确的视频检索能力，通过 FCVID 和 YFCC 两个真实数据集上的实验表明，我们的 SSVH 方法可以显著优于现有技术并在无监督视频检索任务上达到最佳性能。
Feb, 2018
介绍了一种基于离散隐变量 VAE 的成对损失函数，通过使用无偏的低方差梯度估计器，优化网络并获得了良好的性能
May, 2020
通过使用二元哈希算法，在二进制空间内搜索图像数据库，本文提出使用二元自编码器模型简化哈希函数的优化问题，并通过精度 / 召回率的实验结果证明二元自编码器模型相较其他二元哈希算法更加优秀。
Jan, 2015
本文介绍了一种灵活而简单的框架，该框架可以容纳不同类型的损失函数和哈希函数，并可将现有方法放在上下文中，并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架，其中前一步通常可以被表述为二次问题，而后一步则可以用训练标准的二元分类器来完成。实验表明，我们的方法在高维数据上比大多数最先进的方法表现显著优越。
Aug, 2014
本文介绍了一种新型自动编码器，用于有向图的建模，该模型使用带参数图卷积网络 (GCN) 层作为编码器和不对称内积解码器，学习了一对可解释的节点潜在表征，并在几个流行的网络数据集中展示了该模型在有向链接预测任务上取得了优异的性能。
Feb, 2022
本文提出了一种使用神经网络学习二进制哈希码来解决图像检索问题的算法，在无监督和监督学习模式下，通过约束其中一层直接输出二进制哈希码并融入独立性、均衡性和相似性：在学习过程中同时提取视觉特征和生成二进制哈希码，并通过交替优化和谨慎的放松来解决优化中的难点，实验表明本文提出的方法在基准数据集上表现优异。
Dec, 2017
本文研究了自监督自编码器在图数据中的表现问题，并提出一种新的自编码器模型用于图形表示学习，该模型包括分层自适应掩蔽机制和可训练的破坏机制，通过在十个基准数据集上的广泛实验，证明了所提出方法相对于现有的图表征学习模型其卓越性。
Jan, 2023
本论文研究了与图表示学习相关的两个基本任务：链接预测和节点分类，并提出了一种新的自编码器架构，能够学习本地图结构和可用节点特征的联合表示，用于同时进行无监督链接预测和半监督节点分类的多任务学习。
Nov, 2018