本研究针对深度自编码器在对抗攻击下的脆弱性，提出了一种新型的层条件对抗优化目标，以增强损失梯度信息的传播并提高攻击效果。同时，提出了防御插件以减轻对抗样本的影响。

本文介绍了一种新颖性检测方法，结合深度自编码器和参数密度估计器，通过最大似然优化实现分布差异熵最小化，性能优于现有方法。同时，研究探讨了无监督异常检测、深度学习在结构健康监测中的应用，以及基于声音的故障检测方法，展示了其在工业设备预测性维护中的优势。

本文综述了低光环境下图像增强的多种方法，包括基于深度自编码器的去噪技术、CPGA-Net网络、BCNet图像着色方法及轻量级神经网络。这些方法结合传统技术与深度学习，旨在改善低光图像的质量，具有良好的应用前景。

本文探讨了深度自编码器和联邦学习技术在车联网和物联网环境中检测网络攻击的应用。研究表明，该系统在实现高检测率的同时，降低了误报率和通信开销，增强了数据隐私保护和安全性。

本研究提出了一种基于自监督学习的全卷积深度自编码器，利用多视点数据和深度信息提升深度去噪效果。通过自监督多物体深度去噪管道，使用高质量传感器的深度图去噪低质量图，展示了有效的对齐方法。研究还提出了改进的自监督学习方法和高分辨率深度估计技术，在KITTI基准测试中表现优异。

本文比较了全监督和半监督机器学习在CAN消息异常检测中的性能，提出了一种基于深度自编码器的半监督学习方法。研究表明，全监督方法，特别是基于XGBoost的模型，在准确度和精确度上优于其他方法。

本文介绍了端到端毒化框架P-GAN和基于深度自编码器的异常检测算法，用于解决垂直联邦学习中的毒化攻击问题，并评估了它们的效能和影响因素。

本文介绍了一种基于深度自编码器的新模型，用于Netflix数据集的评分预测任务。相比之前的模型，该模型具有明显优势，不需要层预训练，采用6层自编码器进行端到端的训练。实验证明，深度自编码器模型的泛化能力更好，负部分的非线性激活函数对于训练深度模型至关重要，需要大量采用正则化技术，如dropout，以防止过拟合。此外，提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法加速了训练并改善了模型性能。