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。