Java序列化已有近三十年，应用需求发生了显著变化。本文探讨如何通过新的需求和Java语言的增强，简化对象结构处理，提供更灵活的状态提取与重构方法，倡导采用数据导向的序列化方式。

本研究提出了一种新方法TSINR，用于时间序列异常检测，解决了未标记异常点导致的正常模式捕捉困难。TSINR优先捕捉低频信号，能更敏感地检测不连续异常数据，实验结果表明其优于其他重构方法。

本研究提出了一种基于重构的方法，用于检测计算机视觉中的分类外样本。该方法在MNIST和Caltech-256数据集上表现出更好的性能。