我有三个关于自动编码器的问题，非常感谢您的帮助：
1- 我注意到虽然深度自动编码器 (AE) 的概念已在大量教程和示例中进行了解释，而且大多数教程都声称该模型功能强大，但我注意到缺乏关于深度自动编码器 (AE) 的研究论文，是否有缺乏使用 AE 发表的研究论文的原因，尤其是在异常或新颖性检测方面？
2- 在我见过的所有教程中，手动设置阈值（硬设置），自动编码器通过测试多个值并选择最佳值作为异常检测的决策边界，是否有另一种选择阈值的技术value ，换句话说，可以自动检测阈值的不同阈值机制是什么
【问题讨论】：
标签： machine-learning deep-learning neural-network autoencoder
关于您的第一个问题（减去异常检测部分），Keras 的创建者 François Chollet 在他的（强烈推荐的）博文 Building Autoencoders in Keras 中给出了一些很好的提示：
自动编码器有什么用处？
它们在实际应用中很少使用。 2012 年，他们在贪婪的逐层预训练中短暂发现了一个应用程序，用于深度卷积神经网络，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，这种方法很快就过时了。 2014 年，批量标准化开始允许更深的网络，从 2015 年底开始，我们可以使用残差学习从头开始训练任意深度的网络。
[...]
那么自动编码器有什么大不了的？
他们声名鹊起的主要原因是在许多在线提供的机器学习入门课程中都有介绍。结果，该领域的许多新手绝对喜欢自动编码器，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！
更新
也就是说，在实践中似乎确实存在一些使用自动编码器进行异常检测的情况；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
【讨论】：