提出了一种无监督生成聚类方法Variational Deep Embedding (VaDE)，使用高斯混合模型和神经网络来建模数据生成过程，并在VaDE中使用变分推断实现更好的聚类效果，并可生成高度逼真的样本，更广泛的混合模型也可以轻松集成。
Nov, 2016
本文介绍了Cluster-aware Generative Model这一基于深度生成模型的半监督学习方法，利用未标记的数据点探索数据自然聚类模式，同时引入部分带标记的数据对模型进行优化，有效提高了模型性能。该模型也能够在完全无监督的情况下实现优异的对数似然性能。
Apr, 2017
本文提出了一种新的无监督聚类方法，使用自编码器混合模型来识别和分离数据中的低维非线性流形，并通过神经网络同时学习每个聚类簇的潜在流形结构。
Dec, 2017
本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。
Oct, 2018
这篇论文提出了一种基于深度自编码器混合聚类（DAMIC）算法，该算法通过聚类网络将数据转化到另一个空间，并且提出了一种集合自编码器来表示每一个聚类，同时聚类算法共同学习非线性数据表述和集合自编码器，通过最小化混合自编码器网络的重构损失，找到最优的聚类，实验结果显示该方法在图像和文本上均优于现有技术。
Dec, 2018
我们提出N-VAE，一种深度模型，能够检测和区分不同类别之间独有和共享的可变因素，并生成包含训练数据中看不到特征的人工样本。
Jan, 2019
本文提出了一种无监督的生成性聚类框架，将变分信息瓶颈和高斯混合模型相结合。使用变分信息瓶颈方法将潜空间建模为高斯混合物，并导出了一个代价函数的界限，并提供了一种可计算它的变分推断类型算法。通过神经网络参数化编码器映射，并通过蒙特卡罗采样逼近边界，并用随机梯度下降进行优化。提供了真实数据集的数值结果，证明了我们方法的有效性。
May, 2019
提出了一种无监督聚类框架，使用深度神经网络进行端到端的学习，从而直接对图像进行聚类分配，同时通过自我监督任务来获得更有意义的图像特征表示，实验结果表明，该方法在六个具有挑战性的基准测试中取得了优异的成果。
Dec, 2019
本文深入探讨了概率分布和变分自编码器的理论，并总结当前研究现状；适合机器学习初学者了解概率分布学习中的核心思想及其在深度学习领域的应用，并为此子领域的新参与者提供了一个适宜的入门机会。
Jun, 2022
提出了一种基于无穷高斯混合先验的非参数深度聚类框架 DIVA，使用了记忆化的在线变分推理方法使聚类更加动态自适应，不需要先验知识，特别在处理具有增量特征的复杂动态变化数据中表现出色。
May, 2023