通过在生成器网络的特征图上应用稀疏操作，我们介绍了一种可解释的生成模型，该模型使用稀疏激活来获得有意义的分层表示，并且从底层到顶层的卷积核可以逐层地学习基元、对象部件和整个对象；我们提出了一种诱导图像的稀疏编码和 AND-OR 语法的方法，实验证明我们的方法能够学习有意义和可解释的分层表示。
Jan, 2019
通过训练专家生成模型的集合，鼓励系统具有模块化特征的认知偏差，从而达到控制采样和可重组性的目的，并且在处理深度分层和遮挡方面具有优势。
Apr, 2020
本文提出的深度潜变量模型 RICH 能够通过无监督学习来学习可解释的组成层次结构，并通过自上而下的方法使用高层表示来指导低层分解，在包含多个具有不同部分构成的对象的图像中，我们证明 RICH 能够学习潜在的组成层次结构并生成虚拟场景。
Oct, 2019
本研究说明了 State-of-the-art GAN 模型中，高度结构化的语义层次结构从生成性表示中出现作为变化因素，并证明了 GANs 学习到的生成性表示是专门用于合成不同的层次语义。
Nov, 2019
通过研究一种新型的可重构部件玩具模型 ——And-Or 图模型，在图像中识别物体形状。我们提出了一种新颖的结构优化算法来训练 And-Or 模型。在多个具有挑战性的数据集上，我们的模型表现出有效鲁棒的对象检测性能，并超越了其他最先进方法。
Feb, 2015
本文介绍了一种新的基于判别式局部模型的 And-Or 图方法来表示和识别目标形状，该方法克服了困难的背景环境和大量的形态变化，并且不需要太多的监督和初始化。
本文提出了一种基于层次化组合模型的分析模型，通过显式的结构模型和明确的鉴别成本函数结合，在两个数据集上的实验表明，该模型在判别任务中表现和标准 CNN 相当，同时由于特征单元中结构的明确建模，使得其部分具体化可视化、推理快速分离，并且从局部观察中还原能力更强。
Sep, 2016
通过引入数据的稀疏性到生成式分层模型中，我们展示了学习到的抽象表达和空间变换的不变性之间的强相关性，并解释了卷积神经网络在 Sparse Random Hierarchy Model (SRHM) 中的样本复杂性如何依赖于任务的稀疏性和分层结构。
Apr, 2024
本文研究了如何应用感知模型稀疏性，以实现语言理解问题中的组合泛化和更好的样本利用率。通过设计一个包含目标识别模块的智能体，鼓励指令中的词汇与环境属性的稀疏相关性相结合，输出作为价值迭代网络计划器的输入，从而保持高性能。
Jul, 2022
该研究提出了一种基于分层组合模型 (HCMs) 的结构学习框架，旨在解决现有方法在物体结构和训练数据方面的限制，并通过背景模型将前景 - 背景分割问题整合到结构学习任务中，在只使用类别标签的情况下采用贪婪的结构学习方法确定层次结构的层数和每层的零件数量。该方法得出的 HCMs 具有语义意义，此外，在标准迁移学习数据集上，HCMs 在物体分类方面的表现是有竞争力的。
Jan, 2017