- 使用 ResNet101 和 DAE 提高皮肤癌成像的质量和分类准确性
使用深度自动编码器（DAE）和 ResNet101 构建的卷积集成网络方法，基于卷积神经网络对皮肤癌进行检测，通过 ISIC-2018 公共数据进行实验，并取得了显著的性能表现，准确度 96.03%，精确度 95.40%，召回率 96.05 - 太阳系中的稀奇古怪之旅：在空间与时间的遗产调查中寻找意外收获
我们提出了一种新颖的太阳系物体数据异常检测方法，通过训练深度自动编码器进行异常检测，并利用学到的潜在空间来搜索其他有趣的物体，展示了自动编码器的有效性，发现了有趣的例子，如星际物体，并表明使用自动编码器可以找到更多有趣类别的示例，通过生成合 - MM基于深度自编码器的具有完美和不完美 CSI 的 Z 干扰信道
通过基于深度自编码器的结构，本文设计了一种用于两用户 Z 干扰信道的端到端通信的模型，该模型优化编码器 / 解码器对并生成能够根据干扰强度动态调整形状以最小化误码率的干扰感知星座。该结构在深度自编码器中引入了相位 / 象限分配层来保证平均功 - 使用物理信息机器学习校准宏观交通流模型
本文提出了一种新颖的基于物理信息和深度自编码器的学习校准方法，通过结合经典的深度自编码器和交通流动模型，以相对于传统基于优化方法的方法可比甚至更好的性能处理流量和速度测量来推出合理的交通参数。同时，引入去噪自编码器来应对有缺失值的交通数据的 - 非线性流形学习的无监督异常检测
介绍了一种基于非线性流形学习的方法，利用潜在映射高斯过程或深度自编码器来检测无监督设置下的异常值，具有更好的性能。
- MM用于 MIMO 通信的 SVD 嵌入式深度自编码器
使用深度自动编码器（DAE）通过将通道矩阵的奇异值分解嵌入编码器和解码器来进一步提高 MIMO DAE 的性能，SVD 嵌入 DAE 在 BER 方面大大优于理论线性预编码，并且可以作为自适应调制结构与有限字母输入匹配来优化整个通信系统的性 - 非线性模型降维的高阶可微自编码器
该研究论文利用深度神经网络与 Lagrangian 力学相结合，提出一种新的加速弹性形变物体模拟的算法，通过利用复杂度有限差分和反向神经自动微分策略，解决了非线性力平衡的挑战，进一步设计了采样网络和加权网络，使得该方法更加具有普适性。
- ICML基于胶囊网络的深层异常检测方法探索
本文探索基于胶囊神经网络的深度异常检测技术，开发了基于预测概率和重建误差的正常性评分函数来评估未见过图像的异常性，结果表明基于预测概率的方法表现出色，而基于重建误差的方法相对较敏感。
- 通过图拓扑推理和过滤进行三维点云深度无监督学习
本文提出了一种深度自编码器，其中包括了图形拓扑推断和过滤模块，以实现对非结构化 3D 点云的紧凑表示，在无监督的情况下处理原始 3D 点云，优于其他目前的方法，进一步提高了无监督学习性能。
- ICCV记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆
提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。
- 使用深度形状先验和轮廓的单视图物体形状重建
本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。
- CVPR潜空间自回归用于新颖性检测
设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法，通过最大似然优化与正常样本重建相结合的方式，成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能，而且不做任何新奇性的假设，可适用于各种不同的场景。
- 深度连续聚类
通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。
- 用于自动 DBMS 诊断的多元非平稳时间序列异常检测
本研究提出了一种自动数据库管理系统诊断系统，通过使用深度自编码器和统计过程控制方法来检测异常，使用时间序列相似度度量方法来找到相关事件。实验结果表明，该模型具有较好的效果，特别是批处理时间规范化层。
- 深度学习联合视觉降噪和分类
本研究提出了一种基于深度自编码器和多模态学习启发的、用于手写图像的视觉恢复和识别联合框架，采用三通道深度结构，通过非线性映射将视觉恢复和分类统一使用共享表示。在 MNIST 数据和 USPS 数据上测试，本框架在分类上的表现比分离流程至少提 - RGB+D 视频中的行为识别深度多模态特征分析
本文提出一种新的深度自编码器共享特定特征分解网络，将多模态信号分解成一系列组件，进而结合特征结构提出了一种结构化稀疏学习机以获得更好的分类性能，实验证明该方法在动作识别方面最先进。
- 多模态深度学习在多模态情感识别中的应用
采用多模态深度学习方法构建情感模型，通过单模态增强和多模态便利任务表现出较高的识别精度，同时在跨模态学习任务中证明了其有效性。
- LLNet: 自然低光图像增强的深度自编码器方法
在低光环境下，提出用基于深度自编码器的方法来增强和去噪图像以及适应动态环境，该方法可以在监视、监测和战术侦察等领域有很好的应用效果。
- ICLR使用深度自编码器进行音频源分离
该论文提出了一种利用深度自编码器进行无监督音频源分离的新框架，在适当配置的自编码器的帮助下，通过对编码器向量进行聚类，自动分离混合输入中未知源信号的特征。通过调查权重向量并对激活系数在代码层进行聚类，观察了频域中音频信号的原始组件。通过使用 - ICLR使用随机无 Hessian 优化训练神经网络
本文研究了利用曲率 - 向量积构建更新方向的 Hessian-free（HF）优化方法，在梯度和曲率小批量下实现的随机 HF 并添加防止过拟合的 dropout 方法，实现了介于 SGD 和 HF 之间的中间结果，对分类和深度自编码器实验都