本文提出了一种新型正则化流架构——逆自回归流，它是一种基于自回归神经网络的可逆转换链。实验结果表明，逆自回归流显著改善了高维空间中对角高斯近似后验的变分推断，同时也证明了，结合逆自回归流的新型变分自编码器，在自然图像的对数似然度方面，与神经自回归模型相当，同时合成速度显著更快。

Jun, 2016

本论文提出了一种基于Householder变换的体积保存流方法，改进了变分后验分布的灵活性并在MNIST数据集和组织病理学数据中获得了理想的结果。

Nov, 2016

本论文提出了一种控制推理模型平滑性的技术 - Amortized Inference Regularization(AIR)，该技术能够提高VAE模型的推理和生成性能，并挑战了对amortized inference仅仅只是最大似然训练的一种近似方法的信仰，为理解和提高VAEs中的泛化能力提供了新方向。

May, 2018

该论文介绍的方法通过密度比技巧来达到KL散度的隐式计算，在不模拟聚合后验的情况下，可以使用最优先验，从而在各种数据集上实现高密度估计性能。

Sep, 2018

本文研究了变分自编码器(VAE)在训练时出现的后验崩溃现象。针对训练动态的观察，我们提出了一种极其简单的改进VAE的训练方法，避免了之前工作中普遍存在的后验崩溃问题，并取得了比基准模型更优的实验结果。

Jan, 2019

提出一种基于正则化的确定性编码器和解码器的生成模型框架，替换VAEs中的随机性来达到优化潜在空间的目的，并通过引入后验密度估计步骤来生成具有相当或更好质量的样本。

Mar, 2019

本文通过对线性变分自编码器和概率PCA之间的直接对应关系进行分析，提出了有关后验崩溃的简单而直观的解释。从计算角度出发证明了线性VAE的ELBO目标不会引入附加的虚假局部极值，进一步证明了使用确切变分推理培训线性VAE可以恢复对应于主成分方向的全局最大值。同时，我们的线性分析对于高容量的非线性VAEs具有预测性，并有助于解释观察噪声，局部最大值和后验崩溃之间的关系。

Nov, 2019

本文探讨了如何将贝叶斯网络中的任意依赖结构引入变分自编码器 (VAEs) 中，通过引入图形残差流来实现。我们在多个合成数据集上比较了模型的性能，并展示其在数据稀缺情况下的潜力。

Apr, 2022

通过改进目标函数，提出了新的自动编码器模型AVAE，利用KDE来建模高维度下的边缘后验分布，通过多个基准数据集的实证评估验证了AVAE相对于SOTA方法的有效性。

Nov, 2023

本研究针对变分自动编码器（VAE）在解决反向问题中的局限，提出了一种新颖的半变分自动编码器（Half-VAE）方法，旨在无需显式反向映射。该方法通过将潜变量设定为可训练参数，直接优化以实现相互独立的特性，显示出其在独立成分分析（ICA）中的有效性和潜在影响。

Sep, 2024