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
利用迭代方法的变分技术，基于生成模型，研发半监督学习的新算法，解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合，灵活、高效、可拓展，为半监督学习提供了有力支持。
Jun, 2014
本文提出一种新的生成贝叶斯深度学习（GBDL）体系结构，可用于半监督医学图像分割任务，结构设计完全基于贝叶斯理论，同时融合了生成模型和生成贝叶斯深度学习的特点，可以利用标记和未标记的数据对训练进行优化，实验证明，该方法对于三个公共的医学数据集，在四个常用的评估指标上优于之前的最新技术。
Jun, 2022
通过对生成法和判别法进行比较分析，研究聚焦于从各种来源获取信息的不确定性感知推断，以及对半监督学习的兼容性，推导出一般的采样方案，从后验预测分布中获得监督学习和半监督学习。
Jun, 2024
提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。
Sep, 2018
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
本论文提出了一种用于训练神经网络的生成模型和判别模型的混合方法，其中关键的想法在于高斯耦合 softmax 层，该层可以嵌入神经网络分类器中，允许分类器估计类的后验分布和类条件数据分布，而且该混合模型适用于半监督学习和置信度校准。
May, 2023
本文介绍了一种利用深度神经网络和近似贝叶斯推理相结合的广义深度生成模型，并引入了用于表示近似后验分布的识别模型，并利用随机反向传播来开发算法，实现生成和识别模型参数的联合优化，最终将模型应用于实际数据集，生成更真实的分布、准确地恢复缺失数据，并在高维数据的可视化上发挥了重要作用。
Jan, 2014
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
本文介绍了倍增随机梯度 MCMC 这一简单通用的方法，用于在折叠的连续参数空间中对深度生成模型进行（近似）贝叶斯推理。我们的方法不仅适用于密度估计和数据生成的任务，还可以用于缺失数据的填充，且在性能方面优于许多现有的竞争对手。
Jun, 2015