本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。

Jun, 2019

通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化，本文提出一种新的可解释性方法，对医学成像中的人工智能模型进行了改进。在心脏 MRI 数据集上的比较实验证明了该方法在解决变分自编码器方法中模糊重建问题和提高潜空间可解释性方面的能力。此外，对下游任务的分析揭示了使用正则化潜空间进行心脏疾病分类的依赖程度，通过将用于预测的属性与临床观察联系起来，展现出了很好的解释性。

Dec, 2023

该研究使用 D-TCAV 方法研究了是否可以从深度网络中发现代表不同心脏状况的概念，并为心脏疾病诊断提供量化的概念重要性的指标。结果表明，D-TCAV 提供了一个比基础方法更具用户独立性和更短的预处理时间的创新应用方法，可应用于心脏 MRI 分析和诊断。

Mar, 2021

该研究基于变分自动编码器提出了两种深度生成模型，学习基因状态的潜在表示，以提高药物响应预测的准确性。结果表明，该模型可在 AUROC 和 AUPR 方面超过先前发表的研究，同时发现更好的重构准确性并不一定导致分类准确性的提高，联合训练模型表现更好。

Jun, 2017

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

深度学习方法在计算神经科学中作为建模工具变得越来越重要，本文系统地研究了变分自编码器的不确定性表示，提出了一种新的方法解释偏离变分自编码器 (EA-VAEs)，并发现它在各种情况下能够产生有意义的不确定性报告，可在计算神经科学的感知模型和计算机视觉的推理工具中发挥作用。

Apr, 2024

通过对潜空间内的图像与训练样例的相似性进行分类，本文探究基于原型例子的类别推理方法在深度学习模型中的应用，成功应用于医学图像学领域，提高了深度学习模型的可解释性。

Jun, 2023

本研究通过使用干预机制，利用离散变分自编码器来转移预测类别，进而可视化任何隐藏层的编码信息和对应的被干预表示来揭示深度神经网络的隐含概念，并通过评估原始表示与被干预表示之间的差异来确定可改变类别的概念，从而提高模型的可解释性。我们在 CelebA 数据集上展示了我们方法的有效性，并展示了有偏差数据的各种可视化并提供不同的干预方法来揭示和更正偏见。

Dec, 2021

应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。

Nov, 2023

本文提出了一个框架，利用结构化图形模型在变分自动编码器（VAEs）的编码器中导出可解释的表达，使得在给定图形模型的结构限制下执行推理，并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下，通过变分目标进行端对端的学习。

Nov, 2016