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

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

利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

Dec, 2023

这篇论文提出了 PixelVAE，这是一种基于 PixelCNN 的 VAE 模型，可以高效地捕获大型结构和保留压缩的潜在表示，适用于无监督学习的挑战。

Nov, 2016

本文介绍了一种新方法，使用顺序变分自编码器（SVAE）和神经常微分方程（NODE）来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程，并显示出对任务相关的脑区的改善空间定位并识别出著名的结构，如 fMRI 运动任务记录中的运动全身像。

May, 2023

自动驾驶中引入了一种基于生物启发的神经回路策略模型，整合了变分自编码器，提供了一种直接从输入摄像头图像生成转向命令的解决方案，并通过自动潜在扰动工具提高了系统的可解释性。该研究证明了变分自编码器 - 神经回路策略模型的解释能力，以及自动潜在扰动工具在提高自动驾驶系统内部工作透明度方面的实用性。

Apr, 2024

该研究提出了一种称为长期 VAE（L-VAE）的方法，通过使用多输出加性高斯过程（GP）先验来扩展 VAE 的能力，从而实现在辅助协变量信息的约束下学习结构化低维表示， 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享和随机效应，产生结构化低维表示，剥离个体协变量或其相互作用的影响，以及实现高度准确的预测性能。

Jun, 2020

本文对可变自编码器 (VAE) 拓展至处理序列数据的方法进行了综述，提出并讨论了动态变分自编码器 (DVAEs) 这一类模型，详细介绍了七种 DVAE 模型，并通过语音分析 - 重构任务的实验基准进行了验证，最后探讨了 DVAE 模型的重要问题和未来的研究方向。

Aug, 2020

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

本文提出了一种基于层次结构的潜变量模型来提高模型表达能力，减少模糊预测，用于视频序列的未来帧预测任务，经过实验证明本方法在不同数据集上优于现有的潜变量模型。

Apr, 2019