- 无监督学习中的多次下降：噪声、领域偏移和异常值的作用
在无监督学习中研究双重下降现象，通过使用欠完备的自编码器进行实验，发现双重下降现象存在于多个应用中，并对异常和领域转移进行检测和缓解，结果表明过参数化模型不仅在重构方面表现出更好的性能，还增强了下游任务的能力。
- 利用简单生成表现评估图像质量
自动编码器 VAE-QA 是一种用于在全参考下预测图像质量的简单高效方法，通过利用现有的自动编码器，它显著提升了跨数据集的泛化能力，具有更少的可训练参数、较小的内存占用和更快的运行时间。
- 引导量子压缩的希格斯辨识
设计了一个集成预处理和量子分类算法的可训练模型，即引导量子压缩模型，来解决量子机器学习算法使用经典自动编码器作为独立预处理步骤可能导致分类性能下降的问题，并通过应用于 LHC 的质子 - 质子碰撞中的希格斯玻色子识别，展示了该模型在解决分类 - 基于面向工业图像分析的基于补丁自编码器的图像或潜空间异常检测
我们研究了基于补丁自编码器的颜色图像异常检测方法，通过比较三种基于错误、潜在空间中正常图像分布的支持估计，以及原始图像和重建图像的恢复版本之间的错误的性能，我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较 - 使用条件双自编码器触发暗淋浴
使用自动编码器进行异常检测，并发现自动编码器可以较好地区分多个黑暗粒子模型，因此这种方法适用于高能物理实验中的触发阶段。
- 一种用于超分辨率低分辨率人脸图像的统一框架
提出了一种使用统一框架进行人脸图像超分辨率的算法，该算法采用三个自编码器、一个特征权重回归器和一个最终的图像解码器作为神经网络结构，可以对多种不同低分辨率的输入图像进行超分辨率处理，实现了领先水平的性能表现。
- 基于堆栈自动编码器激活的贪婪回溯，用于乳腺 X 线摄影肿块本地化
本文提出了一种基于堆叠自编码器最大类别激活的乳腺 X 线摄影质量分析方法，可以帮助医生准确地决定生物活检建议和治疗评估。
- AAAI长尾跨模态哈希
本文提出了一种处理不平衡多模态数据的方法 LtCMH (Long-tail CMH), 使用自编码器挖掘不同模态的个性和共性，并将其与来自各模态的特征相结合产生元特征，此方法在长尾分布数据下显著优于现有算法，在平衡标签数据集上表现更好（或与 - MM数据维度缩减提高机器学习算法效率
本文提出数据维数减少的方法，其中应用了 PCA 和 Auto-encoders 算法，并结合监督学习和无监督学习算法来验证在预处理 DDR 方面的准确性和时间效果。实验证明，预处理不仅能提高算法精度，也能提高时间效率，从而实现大规模精度和时 - AAAI有向图自编码器
本文介绍了一种新型自动编码器，用于有向图的建模，该模型使用带参数图卷积网络 (GCN) 层作为编码器和不对称内积解码器，学习了一对可解释的节点潜在表征，并在几个流行的网络数据集中展示了该模型在有向链接预测任务上取得了优异的性能。
- ICLR基于张量积表示的环面上无监督解缠
该研究提出一种基于张量乘积结构的自编码器表示学习方法，其潜在空间具有基于环面的分布方式，能够有效地捕捉生成因素并实现变量的解耦。实验证明该方法在无监督学习中具有良好的完整性和信息量，代码开放在 URL 中。
- 基于学习的有损图像压缩：综合调研
本论文介绍了近年来利用机器学习架构进行图像压缩的技术与方法，主要包括自编码器、卷积神经网络、生成对抗网络等，并探讨了该领域仍需解决的问题。
- ICCV虚拟多模态自监督前景抠图技术用于人物 - 物体交互
本文提出了一种虚拟多模态前景抠图方法，该方法使用自我监督多模态算法来学习人 - 物体交互前景。通过将输入图像分解成估计的深度图、分割遮罩和交互热力图，然后进行补充学习和交换可靠的梯度，在没有标签的情况下预测偏差概率图。我们证明了该模型优于现 - ICLR混合分布的稀疏通信
本文介绍一种新的 “直和” 基础度量方法用于概率简单形式下的混合随机变量，并对混合离散变量模型的表示与采样提出两种策略，通过基于混合随机变量的自动编码器的实现和表现，验证该方法的有效性。
- ICML对抗式叠加自编码器用于公平表示学习
本研究提出了一种基于不同层级的数据表征的公平表征学习方法，通过堆叠不同的自编码器在不同的潜在空间强制执行公平性，更好地满足公平度量标准并提高数据表征的公平性。
- 可微绘画与素描
该论文提出了一种可微分方案，用于反距离变换松弛像素栅格的绘制过程，以学习和优化图像的绘制过程，支持自动编码器将栅格化的手写数字转换成向量。
- ADePT：基于自编码器的差分隐私文本转换
提出了一种使用自编码器的实用性保留差分隐私文本转换算法，具有高语义质量并在下游 NLP 任务中表现良好，证明了算法的理论隐私保证，并评估了基于转换数据训练的模型下成员推理攻击的隐私泄漏。结果表明，与现有的基线相比，所提出的模型在 MIA 攻 - 从迭代逼近逆推导差分目标传播
本文通过学习每一层的逆函数的形式，提出了一种目标传播方法，它是微分的，即目标是前向传播的一个小扰动，产生了一种近似高斯牛顿梯度下降优化的更新规则。除了比反向传播具有更好的生物学可行性之外，它还可能提供更强的隐含优化过程。在考虑了本地自编码器 - ECCV连接点：利用语境不一致性检测敌对扰动
本研究提出了一种基于上下文一致性规则学习的深度神经网络攻击检测方法，通过建立了一组自动编码器来检测违反上下文一致性规则的对抗扰动，实验证明该方法可以有效检测各种对抗攻击。
- EMNLPLNMap: 基于潜空间非线性映射的双语词典感应中的同构假设偏移
提出了一种新的半监督方法，通过两个独立训练的自编码器的潜在空间使用非线性映射，学习用于双语词汇识别的跨语言词嵌入表示，并在 15 种不同方向的语言对（包括资源丰富和低资源语言）的两个数据集上进行了广泛的实验，结果表明该方法优于现有模型。