该研究文章提出了一种称为受限双变分自编码器（CTVAE）的新型深度神经网络 / 架构，可用于将入侵检测系统（IDS）的分类器提供更可分离 / 可区分和低维表示数据，相较于现行状态 - of-the-art 的神经网络，CTVAE 所需的内存 / 存储和计算能力更少，因此更适用于 IoT IDS 系统。通过与 11 个最流行的 IoT 僵尸网络数据集的广泛实验，表明 CTVAE 可以相对于现行的机器学习和表示学习方法，将攻击检测的准确度和 F 分数提高约 1％，同时攻击检测的运行时间低于 2E-6 秒，模型大小低于 1 MB。我们还进一步研究了 CTVAE 在潜在空间和重建表示中的各种特征，以证明与当前有名的方法相比，其有效性。

Dec, 2023

本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法，通过创建信息性特征来在成本和准确性之间实现平衡，并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中，NSL-KDD、UNSW-NB15 和 BoT-IoT 三个物联网入侵检测数据集被用于评估该方法。

Apr, 2024

本文提出了一种新的基于特征选择和集成学习技术的入侵检测框架，使用 NSL-KDD、AWID 和 CIC-IDS2017 数据集进行实验证明，CFS-BA-Ensemble 方法在多个指标下具有更优越的性能。

Apr, 2019

以受限遮蔽图像模型为指导的自主学习在遥感中预训练视觉转换器方面引起了广泛关注。在本文中，我们探讨了光谱和空间遥感图像特征作为改进的自编码器重建目标。实验结果说明了 FG-MAE 在 SAR 图像方面的特殊增强效果，同时展示了 FG-MAE 的良好可扩展性，并发布了首批用于中分辨率 SAR 和多光谱图像的预训练视觉转换器。

Oct, 2023

我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

Jan, 2024

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

利用深度自动编码器辅助特征集成网络（AE-FENet），改善了对微小振幅初始故障的检测性能，实现了在 Tennessee Eastman 工艺中所发现的故障 3、9 和 15 的高准确率，从而在故障检测领域取得了显著的性能提升。

Apr, 2024

本研究提出了 DR-MOFS，将网络入侵检测中的特征选择问题建模为一个三目标优化问题，通过使用多目标进化算法同时优化特征数量、准确率和检测率，实验结果表明，该方法在大多数情况下优于以前的方法，即减少特征数量，提高准确率和检测率。

Jun, 2024

该研究论文提出了一种统一的混合注意力自动编码器（MAAE），用于通过单一模型实现多类异常检测，并通过采用空间注意力和通道注意力来有效捕捉全局类别信息和模拟多个类别的特征分布，同时提出了自适应噪声生成器和多尺度融合模块以模拟特征的真实噪声并保留不同类别对象的表面语义，MAAE 在基准数据集上表现出卓越的性能。

Sep, 2023

本研究提出了一种创新的无监督特征选择框架 —— 分形自编码器 (FAE)，它通过训练神经网络来精确定位全局取代能力和局部多样性的信息特征，具有显著优势，可在 14 个数据集上验证，特别是在基因表达数据探索方面可将测量成本降低约 15%，比现有的同类方法性能更优。

Oct, 2020