本研究提出了一种新方法，结合类别感知对比优化和去噪自编码器，以解决不平衡文本分类中的性能问题。该方法通过重建损失和对比类别分离，显著提升了嵌入空间中的分类性能，研究结果表明其在多个文本数据集上优于现有技术。

本文介绍了一种针对冷启动用户的跨领域推荐方法，结合了极端多类分类、领域适应和去噪自编码器，能够在不同领域间进行有效推荐。该方法在Yahoo! JAPAN的数据集上优于传统协同过滤，并通过记忆模块和迁移学习提升推荐效果。此外，研究提出了新型框架COAST和基于语言模型的推荐系统，展示了在效率和准确性方面的优势。

本研究提出了GrabDAE框架，旨在解决无监督领域适应中模型对上下文信息利用不足的问题。通过引入Grab-Mask模块和去噪自编码器，显著提升了分类准确性和鲁棒性。实验结果表明，GrabDAE在多个基准数据集上超越了现有方法，推动了领域适应的发展。

本文研究了去噪自编码器（DAE）的运输动态及其在深度学习中的应用，提出了自适应构建的去噪自编码器 DEVDAN，以提高分类精度。同时，介绍了深度混合架构在半监督学习中的应用，验证了基于 DAE 的指标在结构合理性检测中的有效性。此外，探讨了自监督学习在 3D 表示学习中的应用，提出了新的生成方法 DARL，展示了其在图像生成能力上的潜力。

本文探讨了在建筑能源建模中使用基于物理信息的去噪自编码器（PI-DAE）填补缺失数据的方法，强调了物理知识在提高预测可解释性和实际应用性方面的重要性。同时，介绍了结合经典算法与现代神经网络的自动驾驶车辆轨迹预测方法PTNet，展示了其在数据需求和预测准确性上的优势。

本文介绍了一种基于物理信息的去噪自编码器 (PI-DAE) 在商业建筑中填补缺失数据的方法，通过引入物理知识实现更可解释的预测，有效解决建筑能源建模中的缺失数据问题。