本研究提出了一种新方法，结合类别感知对比优化与去噪自编码器，显著提升不平衡文本分类的性能。

提出了一种针对冷启动用户的跨领域推荐方法，利用极端多类分类预测用户评分，并结合领域适应和去噪自编码器的神经网络，实现无重叠特征的推荐。在Yahoo! JAPAN数据集上，该方法优于传统协同过滤。

本研究提出TabSeq框架，通过聚类优化特征排序，结合多头注意力机制和去噪自编码器，提升表格数据深度学习性能。

本研究提出GrabDAE框架，通过Grab-Mask模块和去噪自编码器，解决无监督领域适应中目标领域上下文信息利用不足的问题，提升特征对齐和分类准确性。实验表明，GrabDAE在多个数据集上表现优于现有方法。

本文提出了一种基于物理信息和深度自编码器的学习校准方法，结合经典的深度自编码器和交通流动模型，处理流量和速度测量，推出合理的交通参数。引入去噪自编码器处理有缺失值的交通数据。通过 I-210 E 的案例研究验证了方法。

本研究通过加入噪声的方式训练去噪自编码器，实现了无需配对语料库的句子压缩。人类评估表明，模型生成合理可读的句子摘要。

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。