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

本研究提出了一种在深度生成模型中实现无监督的解缠结潜在表示的方法，通过在VAE的潜在空间中引入反Wishart先验来实现潜变量之间的统计独立性，能够在多个数据集上优于beta-VAE和与最先进的FactorVAE相竞争。

Sep, 2018

本文提出了VAEs的解耦合方法，即分解潜在表示，通过先验中有结构的聚合编码和适当的重叠来满足。这种分解不仅能实现特定的解耦，还可通过引入先验来实现其他更丰富类型的约束，并通过控制先验和潜在空间分布来改善解耦效果。此外，还介绍了另一套训练目标和先验选择来控制分解和解耦，并对β-VAE在控制潜在空间重叠方面的性质进行了分析。

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

我们提出了一种新颖的基于VAE的深度自编码器模型，可以完全无监督地学习分解的潜在表征，具有识别所有有意义的变异源及其基数的能力，该模型通过引入所谓的关联指标变量并联合VAE参数进行自动学习，有效地将总相关损失集中到相关因素上，我们的模型在许多具有挑战性的基准数据集上胜过了现有方法。

Feb, 2019

本文提出一种新方法实现无监督离散和连续特征分离，利用 Beta-VAE 框架通过级联信息流方式最小化连续潜变量的总相关性，并通过分离离散特征的推理过程减轻编码器负担，最后在实验中显示其显著优于现有方法的分离得分和推理网络分类得分。

May, 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

此论文研究了层次化变分自编码器中速率/失真权衡的问题，并提出了一个通用类别的推理模型，可以将解码速度分成各层的贡献，从而可以独立调节。我们根据下游任务的理论性能作为各个层速率的函数推导了理论界限，并在大规模实验中验证了我们的理论发现，这为从事者在一个给定应用程序中目标速率空间提供了指导。

Feb, 2023

使用TC-VAE模型分析非均衡数据生成因素对生成模型的影响，并显示该模型能够发现不在数据集中显示的越界生成因素。

Apr, 2023

本研究解决了解耦表示学习中的真相信息缺失问题，提出了一种通过离散变分自编码器（VAE）来实现解耦的新方法。研究表明，结合全局代码簿的标量量化和总相关优化项能够显著提升解耦效果与重构性能，FactorQVAE方法在两个解耦指标上优于以往的解耦方法，具有重要的应用潜力。

Sep, 2024