我知道并实施的一篇这样的论文是Semi-Supervised Learning using Ladder Networks。我在这里引用他们对模型的描述：

我们的方法遵循 Valpola (2015)，他提出了一个梯形网络，其中辅助任务是在模​​型的每个级别对表示进行去噪。模型结构是一个自编码器，从编码器到解码器具有跳跃连接，学习任务类似于去噪自编码器，但适用于每一层，而不仅仅是输入。跳过连接减轻了在模型的较高层中表示细节的压力，因为通过跳过连接，解码器可以恢复编码器丢弃的任何细节。

有关架构的进一步解释，请查看Yoshua Bengio的 Deconstructing the Ladder Network Architecture。

如果我理解正确的话，我记得阅读过有关此类系统的论文，但目前不记得标题。

这个想法是使用基于字符的生成 RNN，在编码为“datadatadatadata|answer”的序列上训练它们，然后在输入“otherdatadata|”时对其进行训练 那么它将继续产生某种预期的答案。

但是，据我记得，这只是一个很好的例子，因为如果你有数据来做一些有监督的事情，那么通过传统方法你会得到更好的结果。