本文提出了一种无监督的模型 - 关系变分图自编码器（R-VGAE）来预测概念之间的关系，并在此基础上扩展 1,717 英文 NLP 相关的讲座幻灯片文件和 322 个主题的手动概念对注释，结果表明我们的方法在先决关系预测准确率和 F1 分数方面为图形半监督方法和其他基线方法提供高达 9.77% 和 10.47% 的性能提升。

Apr, 2020

本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

Jan, 2021

无监督多领域转换是将数据从一个领域转换到其他领域的任务，我们提出的方法基于改进的变分自编码器，利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能，并证明了一个潜在变量存储与领域相关的所有信息，而另一个几乎不包含任何领域信息。

Jan, 2024

本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。

Nov, 2016

通过引入一种全新的跨域潜在调制机制来实现有效迁移学习，利用源域和目标域的深度表示进行交叉调制，通过可视化的证据得到支撑，我们提出了一种基于变分自编码器框架的解决方案，并在多个迁移学习基准任务中展示了强大的表现，特别是在无监督领域适应和图像到图像翻译方面。

May, 2022

本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

Jul, 2022

本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。

May, 2018

本篇论文讨论了单张图片从 A 领域转换到 B 领域的问题，提出了一种使用变分自编码器的训练方式，即先训练 B 领域自编码器模型，再根据待转换图片 x 创建 A 领域自编码器模型进行训练，本研究表明，该方法在只有一张样本图片 x 的情况下也能达到与现有领域转换方法相同的表现。

Jun, 2018

提出了自标签增强的 VGAE 模型，包括自标签增强方法（SLAM），用于图的归纳学习，通过在模型训练中进行标签重建以利用标签信息，并采用节点遮盖方法生成伪标签来增强标签信息。实验证明在半监督学习设置下，我们的模型在节点分类上表现出明显的优势。

Mar, 2024

本文研究了不同的自编码器架构和训练策略，以从图像中学习表征，研究了网络深度和容量对降维和泛化能力的影响，结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。

Nov, 2018