本文提出了基于树集成的自编码器模型 EncoderForest，可以利用决策树的等价类进行反向重建， 相较于深度神经网络的自编码器，具有更低的重建误差和快速训练速度，并且易于复用和耐损伤。

Sep, 2017

本研究介绍了一种基于自编码器回归和组稀疏任务的无监督特征选择方法 AEFS，能够更灵活地选取高维数据中最重要的特征，实验结果表明该方法优于现有的方法。

Oct, 2017

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

本研究提出了一种优化多元线性阈值函数作为决策树分裂函数以创建改进的 Random Forest 分类器的新算法，相较于标准的树归纳方法，该方法采用随机梯度下降优化每个节点的线性组合（斜）分裂函数，比之前的构建斜树的技术和单变量分裂函数的随机抽样和穷举搜索方法具有更好的性能，已在多类分类基准测试和 Labeled Faces in the Wild （LFW）数据集上进行了实验验证。

Jun, 2015

本研究提出了一种称为递归树语法自编码器 (RTG-AE) 的自编码器方法，这种方法利用自上而下解析器对树进行编码，利用树语法对树进行解码，两者都是通过递归神经网络进行学习，从而最小化变分自编码器损失。这种方法将变分自编码器、语法知识和递归处理结合起来，能够优于任何两种元素的组合，能够在合成和真实数据集上提高自编码误差、训练时间和优化得分。

Dec, 2020

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

提出了一种基于 Boosting 思想的 Autoencoder Ensemble 方法（BAE），它是一种无监督集成方法，利用加权采样来训练自编码器组件，并注入集成的多样性，它在各种条件下均优于现有技术水平的方法。

Oct, 2019

通过结合随机森林模型和自编码器的功能学习能力，我们为基于随机森林的监督降维方法 RF-PHATE 提供了一种新的样本外扩展方法，并通过定量评估不同自编码器结构，发现了用于嵌入扩展问题的网络结构，进一步地，通过利用基于邻近性的原型，我们在不降低扩展质量的情况下实现了 40% 的训练时间的减少。我们的方法不需要样本外样本的标签信息，因此作为半监督方法，并且仅使用 10% 的训练数据也可以获得一致的质量。

Jun, 2024

利用全景光场相机的丰富角度和空间信息提高自动驾驶领域中的图像语义分割，但角度信息过多，在智能车辆的有限硬件资源上变得压倒性。因此，提出了一种全景孔径融合模型（OAFuser），从中心视图的密集语境中获取代表性信息，并从子孔径图像中发现角度信息生成语义一致结果。提出了一个简单而非常有效的子孔径融合模块（SAFM），将子孔径图像嵌入角度特征，避免了网络传播期间的特征丢失以及来自全景光场相机的冗余信息。此外，还提出了中心角度矫正模块（CARM）来处理视点之间不匹配的空间信息，防止由不对称信息引起的特征重叠。我们提出的 OAFuser 在 UrbanLF-Real 和 - Syn 数据集上取得了最先进的性能，并在 UrbanLF-Real 扩展数据集上取得了 84.93% 的 mIoU 的新纪录，增益为 + 4.53%。OAFuser 的源代码将在此 URL 公开发布。

Jul, 2023

该论文提出了一个基于图退化概念的图自编码器和图变分自编码器的扩展框架，它可以训练只用稠密节点子集的模型而不是整个图。结合一个简单但有效的传播机制，方法可显著提高可扩展性和训练速度，并在多种现有图自编码器和图变分自编码器的变体上进行了评估和讨论。实验结果表明，该方法在大规模图上具有与其他流行的节点嵌入方法相当的性能。

Feb, 2019