本文提出了一种信号自适应的非对称自编码器，通过引入离散余弦斯托克维尔变换层替代线性层，利用卷积的乘法特性在离散余弦斯托克维尔变换域中实施可训练滤波，应用可训练硬阈值层减少离散余弦斯托克维尔变换层中多余的数据以得到稀疏的特征映射；同时，仅需少量数据集即可训练具备可稀疏离散余弦斯托克维尔变换层的自编码器。该方法在 University of Connecticut 和 Southeast University 变速箱数据集上的表现优于其他基于自编码器的方法，平均质量评分在有限的训练样本数量下提高了最低 2.00% 和最高 32.35%。

Oct, 2023

通过使用对比学习指导的对比分裂隐变量自编码器（CSLP-AE）框架，本研究提出了一种能够直接优化脑电转换的方法，并能够提取 EEG 数据的内容和样式的潜在表示。通过与传统的监督、非监督和自监督训练方法进行比较，研究结果表明该方法可以有效地处理主体和任务的泛化特征，并实现从未见过的主体之间的零 - shot 转化。该方法为生物信号的建模和分析提供了一种通用框架。

Nov, 2023

本文使用深度学习方法，提出了一种针对 EEG 和 EMG 信号的联合压缩和分类方法，基于深度自编码器架构，通过在编码器层处理多模态数据并在解码器层重构和检索数据，显著减少了信号失真，同时实现了更好的分类准确性。

Mar, 2017

该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。

Nov, 2023

本文提出了一种基于 DWT 和机器学习的分类器用于 EEG 信号分析，实现了良好的癫痫检测效果，并且在三个不同的分类器中最佳组合是 LDA 和 NB，能够达到 100% 的灵敏度、特异度、准确度、精度和召回率。

Feb, 2023

本文提出一种基于分块离散余弦变换（DCT）块的生成模型，使用 Transformer-based 自回归模型对块进行预测，以生成高质量、多样化的图像，并展示了对于简单的改进，该方法在图像着色和高精度图像放大方面也具有有效性。

Mar, 2021

介绍了一种使用离散稀疏自编码器在大型语言模型中发现可解释电路的高效且健壮的方法，通过训练稀疏自编码器，我们能够从仅有的正例中直接识别与电路相关的注意力头，实现了较高的准确率和召回率，同时降低运行时间。

May, 2024

本研究提出了一种名为 DTP-Net 的全卷积神经架构，用于端到端脑电图信号去噪，通过深入分析 DTP-Net 中各模块的表示学习行为来验证其鲁棒性和可靠性，并通过实验验证表明 DTP-Net 在去除噪音方面具有有效性，优于现有方法，进一步将 DTP-Net 应用到特定的脑机接口任务中，相对于原始信号，分类准确率提高了 5.55%，证明其在基于脑电图的神经科学和神经工程领域中具有潜在应用价值。

Nov, 2023

通过使用自动编码器学习算法对稀疏高维数据进行压缩，实现对临床笔记的表征特征空间的稀疏性减少，从而提高分类器的分类性能，最终该分类器在检测患者状况时的准确率可达到 92%，召回率、精确率和 f1-score 均为 91%。此外，理论信息瓶颈框架也被应用于该压缩工作机制和自动编码器预测过程的演示。

Sep, 2022

通过生成函数和迭代算法解决压缩感知问题，研究了在噪声存在的情况下恢复具有复杂结构信号的表现，并使用自动编码器定义和强制源结构.

Jan, 2019