该研究论文介绍了一种新的神经网络架构（Multiple-Input Auto-Encoder，MIAE），该模型通过无监督学习将异构输入转化为低维表示，并设计了特征选择层以选择信息丰富的特征。这种方法在检测入侵行为方面表现优秀，同时具有较快的运行速度和较小的模型大小。

Mar, 2024

本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析，通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析，针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究，并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。

Oct, 2022

无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器（Patch AE）框架，旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构，即分块重构，确保了自编码器对异常的敏感性。我们的方法简单高效，在 Mvtec AD 基准方面取得了最新的研究成果，证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。

Aug, 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

本文提出了一种基于深度学习理论的诊断过程，该过程确保了对于嘈杂和损坏的数据的鲁棒性和可解释性，并采用新型的去噪填充自编码器（DPAE）进行了表示提取，以及浅层统计学习算法进行了后续的表示提取和异常诊断分类和回归，最后通过 SHAP 和特征消融等方法分层解释算法，为高安全要求的反应堆异常诊断系统的构建提供了可靠的参考方法。

Aug, 2022

本研究提出了一种无监督对抗自编码器（AAE）模型，用于检测不平衡电力分配网格中的虚假数据注入攻击（FDIAs），并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。

Mar, 2024

本研究使用深度自编码神经网络进行高效的会计异常检测，实验结果表明，此方法在比基准方法下有更少的误报率且能捕捉高度相关的会计异常。

Sep, 2017

本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。

Mar, 2020

本文提出了基于自编码器的深度学习方法，用于识别和定位被动光网络中的光纤故障，并通过实验结果展示该方法可在 97% 的准确率下定位故障，平均绝对误差为 0.18 米，表现优于传统技术。

Mar, 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