本文探讨半监督众包分类在标签约束和实例约束两种情况下的贝叶斯算法，该算法基于变分推断，可以比无监督众包分类更有效地对人工注释信息进行聚合，该算法在多个众包数据集上的分析和实证验证了其表现的可量化提升。

Dec, 2020

本文研究了利用学习表示的空间的内在几何结构来实现自动遵守复杂结构约束的本体 (分层和部分有序结构) 学习的最新工作，并探讨了对一种此类模型的两种扩展，旨在提高通识知识表示文本数据的性能。通过混合学习排序关系和非分层知识，以及利用训练数据的部分有序结构找到在配对训练过程中不好执行的嵌入之间的长距离 triplet 约束，我们发现这两种扩展都优于原始的 order-embedding 模型和其他强基线模型。

Aug, 2017

研究了在存在潜在变量的数据中重构因果图模型的问题，提出通过将其还原为混合预言机来确定潜在表示和潜在因果模型，从而揭示了混合模型顺序学习和可观测和不可观测之间的双分图结构学习问题之间的联系，并提供了几个重构完整图模型的算法。

Jun, 2021

本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

Jan, 2022

基于信息理论的角度，我们证明了生成式模型更适合于表征学习。而某些生成式模型，如生成对抗网络（GANs），在表征学习方面具有比有监督学习更强的潜力。此分析为进一步探索生成式表征学习提供了坚实的理论基础。

Mar, 2017

我们引入了一种贝叶斯的生成相似性概念，通过该概念我们可以定义一个对比学习目标，即使其精确形式难以计算，从而使得能够学习到表达特定归纳偏差的空间嵌入。我们通过展示如何捕捉几何形状的人类归纳偏差以及更好地区分由概率程序参数化的不同抽象绘画风格，证明了我们方法的实用性。

May, 2024

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022

通过一系列的相关问题，使用 Conditional VAE 的方法分离和控制生成模型输出的特定特征，以实现用户愿景中所设想的图像，并开发了建模图像预测中不确定性的技术使得该框架可以适应训练集包含噪声的情形。

Apr, 2022

本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

May, 2017

本文提出了一种理论框架以分析对比学习的算法，并引入潜在类别假设，该框架使我们能够在平均分类任务上证明学习表示的性能。同时，该文还表明，学习表示可以降低下游任务的（标记）样本复杂度。

Feb, 2019