论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。

Dec, 2021

通过基于深度自编码器的结构，本文设计了一种用于两用户 Z 干扰信道的端到端通信的模型，该模型优化编码器 / 解码器对并生成能够根据干扰强度动态调整形状以最小化误码率的干扰感知星座。该结构在深度自编码器中引入了相位 / 象限分配层来保证平均功率限制，并使得该架构能够生成非均匀形状的星座，相比于标准的均匀星座（如正交振幅调制），获得了进一步的增益。该结构还可以与不完美的信道状态信息（CSI）一起工作，考虑了估计和量化误差所带来的 CSI 不完美性。模拟结果表明，在所有干扰强度范围（弱、中、强）和信噪比（SNR）上，DAE-ZIC 都显著提高了 ZIC 的性能，且该改进随着 SNR 的增加而持续增加。当 SNR > 15dB 且传输每个符号的比特数为两个时，在弱干扰下，与最有竞争力的传统方法相比，误码率可以降低一个数量级。当存在量化误差时，改进达到大约两个数量级，这表明 DAE-ZIC 相比于传统方法对干扰具有更强的鲁棒性。

Oct, 2023

通过设计一种基于奇异向量分解（SVD）的线性自编码器，该研究提出了一种简单而有效的 SVD-AE 算法，该算法不需要迭代训练过程，可以通过 SVD 的闭式解进行计算，提高了推荐系统的噪声容忍性和效率。

May, 2024

该论文提出了一种可以在数据流分析中自适应构建去噪自编码器 DEVDAN，并以单次学习为基础的方法，通过网络重要性估计来自动添加或修剪输入特征，从而提高分类精度并适应不断变化的环境。

Sep, 2018

本文提出了一种基于 CNN 的 VAE 通信系统，使用可调节超参数 beta 的 VAE 架构，在传统方法中表现卓越，具有极度脱耦的潜在空间表现，使得基于连续潜在空间的 VAE 系统比其他系统表现更佳。

May, 2020

本文提出一种基于随机投影与有限阶多项式拓展计算奇异值分解嵌入的压缩光谱嵌入算法，其降维效果与计算复杂度不受特征向量数量影响。此算法对聚类和分类等下游推断任务的对比相似度度量具有较好效果。

Sep, 2015

通过有限速率的深度学习通道状态信息反馈方法，本文提出了在大规模多输入多输出系统中，基于矢量量化变分自动编码器框架实现有限位表示的潜在矢量，同时利用形状增益的矢量量化减少计算复杂性。该方法通过适当的变换函数，将潜在矢量的幅度用非均匀标量码书量化，同时使用可训练的 Grassmann 码书量化潜在矢量的方向。同时，引入码字选取规则和损失函数设计，开发了一种多速率码书设计策略。仿真结果表明，所提出的方法在给定的反馈开销下，减少了与 VQ-VAE 相关的计算复杂性，同时改善了通道状态信息重建性能。

Mar, 2024

本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

Feb, 2023

通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

Mar, 2018