我们提出了一种无监督的潜在变量模型，可以从不同的实验数据模态中提取演化的共享和独立的潜变量，通过结合高斯过程因子分析和高斯过程变分自编码器的方法，我们在傅里叶域中参数化模型的潜变量，并在两个真实的多模态实验设置上验证了模型的有效性。

Oct, 2023

RVGP 是一种推广的高斯过程（GPs），用于学习潜在黎曼流形上的向量信号，通过与数据的常见基于图形的逼近相关的切空间束联结 Laplacian 的特征函数进行位置编码，具有全局规律性，可以在保留奇异点的同时对向量场进行超分辨率重建和内插，用于重构健康人和阿尔茨海默病患者低密度脑电图记录的高密度神经动力学，并且我们发现向量场的奇异点是重要的疾病标记，并且其重建方法在疾病状态的分类精度上与高密度记录相当，因此克服了实验和临床应用中的一个重要限制。

Sep, 2023

提出一种新的方法，用于一般化贝叶斯非线性潜在变量建模，通过使用随机傅里叶特征来逼近高斯过程映射中的核函数，从而将 GPLVM 推广至泊松、负二项和多项分布等情况，并通过随机特征潜变量模型（RFLVM）对广泛的应用进行评估，结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。

Jun, 2023

本文研究了流形值潜变量的使用，特别是连续可微的对称群（李群）的情况，展示了如何通过将再参数化技巧扩展到紧连李群来构造带有李群潜变量的变分自编码器，并通过实验展示了匹配潜在数据流形拓扑结构的流形值潜变量对于保留拓扑结构和学习良好的潜空间至关重要。

Jul, 2018

本文提出了神经潜在变量模型中的特征共享及对集合检测问题的解决方法，最终应用在网格细胞数据集上，以单一的集成建模框架恢复不同集合，推断环形潜在变量并预测神经调谐曲线。

Oct, 2022

本文通过理论分析证明了投影方差对模型崩溃的影响，并通过集成频谱混合核和可微分的随机傅里叶特征核逼近解决了内核灵活性不足导致的模型崩溃问题。提出的 GPLVM 模型在各种数据集上都取得了优异的表现，在信息丰富的潜在表示和缺失数据插补方面超越了各种竞争模型，包括最先进的变分自编码器和 GPLVM 变体。

Apr, 2024

本文提出一种基于 Riemannian geometry 和 product manifolds 的可微分图模块，用于推断连接数据的复杂潜在图结构。该方法不仅可以动态地学习数据的内在结构，还可以在性能上对现有方法进行改进并成功地在各种数据集上进行了测试。

Nov, 2022

通过使用不同的几何结构，如双曲空间、球面空间和综合空间，利用神经潜空间几何搜索方法（NLGS），能够显著提高机器学习模型的性能，并能够自动识别下游任务的最佳潜空间几何。

Sep, 2023

此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。

Feb, 2024

本论文提出一种通过神经隐式流来表示数据流形分布的方法，称为神经隐式流分布。为了解决基于前向模型的限制，引入了约束能量模型，该方法使用约束的 Langevin 动力学来训练和采样，能比前向模型更精确地学习复杂拓扑结构的流形支持分布，并允许将模型流形的并集和交集进行运算。

Jun, 2022