提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。
May, 2017
本文提出了一种基于 PVAE 的多模态生成模型，可将共享因素和模态相关因素编码为不同的潜变量，用于生成符合不同语义和风格要求的条件数据，并利用发现的语义单元在两个音频 / 图像数据集上完成了定量和定性的评估。
May, 2018
开发了一种新颖的潜在变量模型，通过生成缺失数据的损坏过程对处理缺失数据集进行了模糊处理，并推导出相应的易于实现、可处理可随机缺失和不随机缺失数据、适用于高维输入、VAE 编码器和解码器原则性访问指标变量以确定数据元素是否缺失的可跟踪证据下限 (ELBO)。在 MNIST 和 SVHN 数据集上，相比现有方法，证明了观测数据的边际对数似然和更好的缺失数据插值提高。
Jun, 2020
我们提出了一种被称为 FactorVAE 的方法，它可以无监督地学习从独立变化因素生成的数据中发现因素解耦的表示，并通过提供更好的解耦和重构质量之间的平衡得到改进。此外，我们还介绍了一个新的解耦评估度量，并阐明了常用的解耦评估度量存在的问题。
Feb, 2018
用于多模态数据的生成模型可用于识别与观察数据异质性重要决定因素相关的潜在因素。然而，存在一些变量是特定于单个模态的私有变量，而共享变量对解释多模态数据的变异性很重要。本研究探讨了多模态变分自编码器在可靠地实现这种解缠的能力方面，针对一种挑战性的问题设置，其中模态特定变异占主导地位，并提出了一种修改方法，使其对模态特定变异更加鲁棒。我们的发现得到了合成数据和多种真实世界多组学数据集的实验证实支持。
Mar, 2024
提出了一种基于无监督多视图生成模型的条件变体，可在高维空间中生成各种物体的逼真样本，相比于其他条件生成方法，我们不会对变差因素做任何假设，不需要视图的监督。
Nov, 2017
本篇论文提出了一种新方法 FA-VAE，以克服深度生成模型的解释性，灵活性和模块化方面的局限性，并提高了数据共享和迁移学习的性能。
Jul, 2022
该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。
Jun, 2017
本文提出了 HI-VAE—— 一种能够处理必不可少的异构性和不完整数据的通用 VAE 设计框架，包括实数，正实数，区间，分类，序数和计数数据的似然模型，并展示了在监督任务中具有竞争性的预测性能。
Jul, 2018
本文介绍了一种基于变分自编码器的多模态学习方法，能够有效地用少量参数处理多模态输入数据的推断问题，提出的方法在一些数据集上表现出与最先进技术相匹配的性能。