我们介绍了作者 - 主题模型，它是一种生成文档的模型，扩展了隐含狄利克雷分配（LDA），包括作者信息，应用于 NIPS 会议论文和 CiteSeer 摘要，具有估算主题和作者分布的 Gibbs 采样基础上的性能比较。

Jul, 2012

提出了基于生成对抗网络的话题模型，称为 Adversarial-neural Topic Model（ATM）。ATM 可以在生成语义话题的同时，生成单词级别的语义表示，并成功应用于开放领域事件提取。

Nov, 2018

本文提出了一种关键词辅助的主题模型，通过提供一小部分关键词，可以大大提高主题模型的测量性能，该模型具有更好的可解释性和文档分类性能，并且对主题数量的敏感性较小。

Apr, 2020

本文提出了无限动态主题模型 (iDTM)，该模型能够适应文档集合中主题数量、主题分布和流行度等潜在结构的时空演化，使用该模型对 NIPS 社区中的主题进行了分析并在模拟和真实数据集上进行了评估，结果良好。

Mar, 2012

本文提出了一种将作者、主题和文档结合起来的主题模型，该模型能更好地拟合和聚类研究出版物，同时提出了一种有效的推理算法，可以在 CiteSeerX 的子集中探索研究出版物。

Sep, 2016

Latent Topical-Authority Indexing is proposed as a way to jointly model the topics, citations, and topical authority in a corpus of academic papers to differentiate authority based on research topics, and it achieves improved accuracy over other similar models when predicting words, citations, and authors of publications.

Jun, 2017

本文提出了一种基于无限潜在状态复制（ILR）的新型推理方法，旨在改善用于主题建模中的 CGS 推理。实验结果表明，与 CGS 推理相比，ILR 在现有主题模型的推理方面表现更出色。

Jan, 2023

该研究提出了 Auto-attack on Text-to-image Models（ATM）方法，借助 Gumbel Softmax 分布学习来生成高效、多样的扰动样本，以防止生成模型过分拟合，从而提高模型的稳健性。通过实验分析，发现扰动攻击主要依据于生成速度、多义词、词性和文本长度等因素。

Jun, 2023

本篇论文介绍了针对动态主题模型的一些新成果，包括将可计算先前从 Wiener 过程扩展到通用的高斯过程，提出了基于随机变分推理和稀疏高斯过程的可扩展近似推理方法，实验结果表明扩展模型可以发现以前无法找到的有趣模式。

Mar, 2018

介绍了一种名为 AVITM 的新 topic model，用 autoencoded variational inference 解决了 Dirichlet 分布和 component collapsing 问题，并且推出了一种新的 topic model，ProdLDA，更容易解释。

Mar, 2017