本篇论文研究使用经典的优化算法来训练量子自编码器，从而实现对量子数据进行压缩和简化处理，且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。
Dec, 2016
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
使用量子玻尔兹曼机实现的量子变分自编码器（QVAE）比仅涉及生成过程中的离散变量的相似方法在 MNIST 数据集上实现了最先进的性能。将 QBM 放置在 VAE 的潜在空间中将充分发挥当前和下一代量子计算机作为采样设备的潜力。
Feb, 2018
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
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
该研究利用基于期望最大化算法的训练技术提高 VQ-VAE 模型在 CIFAR-10 数据集上的图像生成结果，并通过知识蒸馏技术，开发出一种非自回归机器翻译模型，其准确性几乎与强贪婪自回归基线变压器相当，但在推理速度上快 3.3 倍。
May, 2018
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
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
本文提出了一种基于图神经网络的离散自编码器，Vector-Quantized Graph Auto-Encoder (VQ-GAE)，用于模拟图的分布，通过利用图神经网络的等变性、局部结构和全局结构，以离散向量化的方式将图对象映射到潜在空间中捕捉整体结构，并在图形生成方面显示出优秀的性能。
Jun, 2023
基于深度学习的变分自编码器方法可用于光子统计特征到低维度的映射，实现在光子计数较低的情况下准即时分类，同时维持分类准确性并能在检测质量差的情况下改进光子和光源的分类。
May, 2024