本研究比较了增强最低描述长度（MDL）正则化的变分自编码器（VAE）与标准自编码器在重构高维妇科数据方面的表现，结果表明MDL-VAE在重构误差和潜在表示结构上显著优于标准VAE，显示出在医疗数据建模中的应用潜力。

本研究提出了一种多输入自编码器模型MIAEAD，用于异构数据的异常检测。该模型通过重构误差为特征子集分配异常分数，并利用变分自编码器学习正常数据分布。实验结果表明，MIAEAD在多个数据集上的表现优于传统方法，AUC分数提高最多6%。

本研究提出了“线性定理”，解决了大型语言模型量化缺乏理论支持的问题，并建立了重构误差与模型困惑度增加之间的关系。HIGGS量化方法在无数据情况下显著优于以往方法，提高了模型的准确性与压缩率的平衡。

本研究提出了一种图注意卷积网络（GACN），旨在解决在时间变化几何条件下从稀疏数据重构流场的难题。实验结果表明，该模型在大流场重构任务中表现优异，重构误差低，能够更好地捕捉细微湍流。

本研究提出了一种基于3D-CNN的图像压缩方法，通过建模隐层表示的熵，优化重构误差与信息熵的平衡。引入自回归和层次先验，显著提升了压缩效果，并探讨了并行上下文模型和Transformer-CNN混合块，进一步提高了解码速度和压缩性能。