介绍了一种更优秀的文本建模方法：将主题信息作为狄利克雷潜变量明确建模在变分自动编码机（VAE）中。提出的模型更适合重建输入文本，且由于引入的狄利克雷变量与传统的多元高斯变量之间固有的互动，使得模型更不容易出现 KL 散度消失。我们推导了新模型的变分下限，并在四个不同数据集上进行实验，结果表明，该模型在潜在空间的文本重建上更加优秀，并且所学特征的分类具有更高的测试准确性。

Oct, 2018

采用扩散模型集成编码器和无条件扩散模型的得分函数，消除了 VAE 图像模糊的问题，并显著提高了性能。

Apr, 2023

本研究探讨了在胸部 X 射线（CXR）图像的学习中使用 Dirichlet 变分自编码器（DirVAE）来学习分离的潜在表示。通过对多标签分类任务的执行， DirVAE 模型学习的多模态潜在表示的预测能力得到了研究，结果表明 DirVAE 能够分离具有类特异性的视觉特征，这是 GVAE 所没有的，同时相对于 GVAE 有较小的性能提高。

Feb, 2023

本文提出了一种基于混合模型和狄利克雷过程的无限变分自编码器，其容量能够适应输入数据，从而使得自动编码器数量能够根据数据自动变化，实验结果表明该方法在半监督学习中具有很高的灵活性。

Nov, 2016

本文研究变分自编码器（VAE）的先验分布和后验分布。首先，我们将 VAE 的学习分解为逐层密度估计，并认为灵活的先验分布有益于样本生成和推断。其次，我们分析了反自回归流的族群（inverse AF），并表明在进一步改进后，反自回归流可用作对任何复杂后验的通用逼近。我们提出了一种统一的方法来参数化 VAE，而无需在潜在实空间中使用因子高斯分布。

Oct, 2017

本研究介绍了一种改进的变分自动编码器（VAEs），该编码器包含了一个额外的神经网络分支。这个分支 VAE（BVAE）通过将分类标签基于总损失中的类别信息加入到潜在表示中，从而提供了分类信息。结果上，输入类别的潜在空间分布被分离和排序，从而提高了分类准确性。通过使用基准 MNIST 数据集对未旋转和旋转数字进行数值计算来量化提升程度。然后将所提出的技术与具有固定输出分布的 VAE 进行比较并整合。研究发现，这种方法在广泛的输出分布范围下可以获得改进性能。

Jan, 2024

该研究提出了一种使用变分自编码器框架中的反向传播通过离散潜在变量训练带有离散潜变量的概率模型的新方法，能够有效地从无监督数据中学习对象的类别和像素级别的信息，并在 MNIST，Omniglot 和 Caltech-101 Silhouettes 数据集上比其他方法更加先进。

Sep, 2016

该研究探讨了使用无香精变换来改进变分自编码器生成模型的表现，使用更具信息量和低方差的后验表示来确保更高质量的重建，并使用 Wasserstein 分布度量来替换 KL 散度以允许更快的后验分布，最后得到了一种竞争力强的确定性采样 VAE，可在脚手架分数上提高性能，训练方差较低。

Jun, 2023

本文提出了一种层次非参数变分自编码器模型，以结合树状结构的贝叶斯非参数先验和变分自编码器来实现无限灵活性的潜在表征空间，进而在视频表征学习上取得更好的效果。

Mar, 2017

本文介绍了一种结合了预测编码原理和将输入编码为离散脉冲计数的变分自编码器（P-VAE）的新型架构，通过引入 Poisson 分布的潜变量和预测编码，模型损失函数中出现了代谢成本项，表明与稀疏编码存在关系，我们通过实证验证了这一点。此外，我们分析了学习表示的几何结构，将 P-VAE 与其他 VAE 模型进行对比。发现 P-VAE 以相对较高的维度对输入进行编码，使下游分类任务中的类别具有线性可分性，样本效率提高了 5 倍。我们的工作提供了一个可解释的计算框架来研究类脑感觉处理，并为更深入地理解感知作为一种推理过程铺平了道路。

May, 2024