通过构建时序 Sigmoid 置信网络的层次结构，设计深动态生成模型，引入识别模型从变分后验中快速采样，提出的方法在多种序列数据上取得最先进的预测性能，能够合成各种序列。

Sep, 2015

该论文介绍了一种新的网络类型 —— 线性化置信网（LBN）—— 它是实值条件分布的普遍逼近器，并且能够有效地训练，在图像去噪和面部表情生成等任务中取得了最先进的结果。

Nov, 2015

本文提出了一种贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列进行建模，通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中，该框架可以表征大规模时间序列数据中的全局和局部一致性，并开发了有效的 Gibbs 采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。

Oct, 2019

本文中，我们提出了一种基于时间序列二次双线性变换的新型 Temporal Bilinear 模型以捕获邻近帧之间的时间序列特征交互，通过在线性复杂度下利用分解的双线性模型和瓶颈网络设计来构建我们的 TB 块，在包含 TB 块和 2D 空间卷积的两种方案中进行了实验比较，在多个广泛采用的数据集上进行了实验证明了我们方法的有效性。

Nov, 2018

我们设计了一种新的深度学习网络架构 DBN-BLSTM，该网络结合了深度信号表示和时间信息，加强了序列数据的建模，在音乐生成任务中表现出最优性能。

Dec, 2014

提出了一个 BART-based 条件生成模型，可以同时处理事件之间的时间排序和事件插入预测。使用延迟自编码器进行训练并证明了在不使用显式标签的情况下，该模型优于 BERT-based 方法和指针网络，并且在事件的时间上更优于 GPT-2 completion 模型。

Dec, 2020

本文通过引入编码上下文并在条件生成对抗网络中使用，扩展了基于 Transformer 的时间序列生成对抗网络 (TTS-GAN)，从而可以使用一个模型来拟合具有多个子组件的混合分布。通过定性和定量的评估指标，我们展示了该模型可以生成高维度和长时间序列数据，并在不同条件下具有较好的性能。

Oct, 2022

本文提出了一种新的序列预测模型 —— 生成式桥接网络 (GBN)，GBN 引入了一个桥接模块来辅助生成模型的训练，将点预测扩展到一个基于条件概率的桥接分布上，并最小化生成模型与桥接分布的 KL 散度，结果表明，针对语言模型、抽象文本摘要等任务，我们提出的 GBN 模型均具有显著的性能提升。

Jun, 2017

本研究提出了一种基于序列预测的 TGSL 方法来更好地学习下游任务的图结构，通过添加潜在的时间边、使用 Gumble-Top-K 来选择最接近上下文嵌入的候选边，以及提出若干候选采样策略，同时端到端联合学习图结构和 TGNs，实验结果表明 TGSL 可以显著提高 TGAT、GraphMixer 等热门 TGNs 的性能，且在时间图上优于其他对比学习方法。

Jun, 2023

本文提出了一种新的深度生成模型来捕获嵌入空间中主题之间的依赖关系和语义相似性，这种模型名为 sawtooth factorial topic embedding guided GBN，并通过在大型语料库上的实验证明了该模型的优越性。

Jun, 2021