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

该论文介绍了首个用于三维点云的量子自动编码器，通过在模拟的基于门的量子硬件上进行实验，证明了该方法优于简单的经典基准模型，为三维计算机视觉领域开辟了新的研究方向。

Nov, 2023

本研究提出了增强特征量子自编码器（EF-QAE），通过定义一个参数化的量子电路和特征向量特征不同模型，EF-QAE 实现了更好的压缩量子信息性能，并在近期量子技术能力范围内实现了更好的性能。

Oct, 2020

本篇论文研究使用经典的优化算法来训练量子自编码器，从而实现对量子数据进行压缩和简化处理，且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。

Dec, 2016

本文提出了一种基于混合量子自编码器的 QML 算法，旨在在经典描述的空间中学习识别和分类量子态的特征属性，为聚类和半监督分类提供了一种新的方法，该方法针对的是幅度编码的量子态，可以应用于非平凡的量子数据集的结构分析。

Jul, 2021

该研究探讨了在量子技术方面，异常探测的重要性并提出了通过机器学习算法（如核主成分分析和一类支持向量机）来实现异常探测。在底层量子逻辑上寻找对应的量子算法，并证明了这两个量子算法的资源需求可以对量子状态的维数以及用于训练机器学习算法的量子状态数量取对数。这使得这些算法可用于处理大规模的量子数据。

Oct, 2017

本研究探讨了量子机器学习技术在经典和量子通信中的应用，证明了该技术在不同量子信道模型下的强大性能，并为量子通信系统的研究提供了新的进展，使得人们在调制约束、各种通信设置和多样化的信道模型的容量界限方面有了更好的理解。

Jul, 2023

基于自动编码器的异常检测范式中，依靠具有实时学习能力的边缘设备实现自动编码器是一项极富挑战性的任务。通过设计具有低分辨率的非挥发性存储器型突触的自动编码器，并采用一种有效的量化神经网络学习算法，我们证明这些限制可以得到解决。我们提出了一种带有工程化凹槽的铁磁记录道，以磁域壁作为自动编码器的突触，其中通过自旋轨道涡流脉冲来操作有限状态（5 状态）的突触权重。我们在 NSL-KDD 数据集上评估了所提出的自动编码器模型对异常检测的性能。通过对突触进行有限分辨率和 DW 器件随机性感知的训练，我们得到了与拥有浮点精度权重的自动编码器相当的异常检测性能。虽然量化状态的有限数量和纳米尺度器件中固有的随机性对性能有负面影响，但我们的面向硬件的训练算法被证明可以利用这些不完善的器件特性，从而提高异常检测的准确性（90.98%），相较于使用浮点训练权重的准确性。此外，我们的 DW-based 方法在训练过程中相较于浮点训练方法重要减少了至少三个数量级的权重更新，意味着我们的方法可以大大节省能量。这项工作有望推动非挥发多状态突触型处理器的极高能效、能够在边缘上对无监督数据进行实时训练和推断的发展。

Sep, 2023

使用量子玻尔兹曼机实现的量子变分自编码器（QVAE）比仅涉及生成过程中的离散变量的相似方法在 MNIST 数据集上实现了最先进的性能。将 QBM 放置在 VAE 的潜在空间中将充分发挥当前和下一代量子计算机作为采样设备的潜力。

Feb, 2018

本文介绍了 AutoPatch，将神经架构搜索应用到分割视觉异常的复杂任务中。提出了加权平均精度（wAP）作为替代 AUROC 和 AUPRO 的度量标准，并提出了一种新的神经架构搜索方法，能够在没有任何训练的情况下高效地进行视觉异常分割。在 MVTec 数据集上，AutoPatch 优于当前最先进的方法 PatchCore，仅使用每个异常类型的一个样本的条件下，FLOPS 少 18 倍以上。

Apr, 2023