早上好 .
我有三个关于autoEncoders的问题，我非常感谢你的帮助：
1-我注意到在深度自动编码器（AE）上缺乏研究论文，尽管这个概念在很多教程和示例中都有解释，大多数教程声称这个模型很强大，是否有理由缺乏使用AE发表的研究论文，特别是在Anomaly或新奇检测中？
2-在所有教程中我已经看到一个阈值被手动设置（硬设置），AutoEncoder通过测试多个值并选择最佳值来作为异常检测的决策边界，是否有另一种选择阈值的技术，换句话说，可以自动检测阈值的不同阈值机制是什么
谢谢
关于你的第一个问题（减去异常检测部分），Keras创建者FrançoisChollet在他的（强烈推荐）博客文章_1175208中给出了一些很好的提示：
什么是自动编码器有用？它们很少用于实际应用中 . 2012年，他们在深度卷积神经网络中简要地发现了贪婪分层预训练的应用，但随着我们开始意识到更好的随机权重初始化方案足以从头开始训练深度网络，这很快就失去了时间 . 2014年，批量标准化开始允许更深层的网络，从2015年底开始，我们可以使用剩余学习从头开始训练任意深度的网络 . [...]那么自动编码器的重要性是什么？他们的主要声誉来自于在线提供的许多入门机器学习课程 . 因此，很多新手都非常喜欢自动编码器并且无法获得足够的自动编码器 . 这就是本教程存在的原因！
UPDATE
也就是说，确实存在一些自动编码器在实践中用于异常检测的情况;这是最近的一些论文：
Clustering and Unsupervised Anomaly Detection with L2 Normalized Deep Auto-Encoder Representations
Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications
Anomaly Detection with Robust Deep Auto-encoders
和博客文章：
Credit Card Fraud Detection using Autoencoders in Keras
H2O - Autoencoders and anomaly detection (Python)
How Deep Learning Analytics Can Keep Your Data and Decisions in Line
1 回答
关于你的第一个问题（减去异常检测部分），Keras创建者FrançoisChollet在他的（强烈推荐）博客文章_1175208中给出了一些很好的提示：
UPDATE
也就是说，确实存在一些自动编码器在实践中用于异常检测的情况;这是最近的一些论文：
Clustering and Unsupervised Anomaly Detection with L2 Normalized Deep Auto-Encoder Representations
Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications
Anomaly Detection with Robust Deep Auto-encoders
和博客文章：
Credit Card Fraud Detection using Autoencoders in Keras
H2O - Autoencoders and anomaly detection (Python)
How Deep Learning Analytics Can Keep Your Data and Decisions in Line