本研究提出了一种结合核动态模式分解和卷积自编码器的深度学习框架，解决了训练数据仅在时间区间$[0, T_0]$可用时的外推问题。实验结果显示，该方法在时间和参数域内实现了准确快速的预测。

本研究通过深度加权损失函数和定制的卷积自编码器解决老年痴呆症护理中行为表现导致的健康与安全风险问题，提高风险行为检测可靠性，具有实际应用潜力。

RefreshNet是一个多尺度框架，结合了卷积自编码器和多个递归神经网络模块，具有高效率和准确性，尤其在长期预测方面表现出优势。

该论文提出了一种将多目标强化学习与卷积自编码器相结合的方法，以提高城市紧急搜索和救援中的无人机导航。该方法利用城市布局的图像数据，无人机可以自主进行导航决策，优化路径，并抵消传统传感器无法解决的风力影响。测试表明，该方法可以增强复杂城市环境下无人机的搜索和救援任务。

本文提出了一种适用于多模态数据的深度学习分类方法，使用联合训练两个卷积自编码器来获得紧凑的数据表示，并使用潜在表示与原点的距离作为异常分数。实验结果表明，该方法在多模态昆虫图像分类数据集上表现更好，并探讨了特征多样性正则化对性能的影响。