提出了一种名为 spex-LVM 的因子潜变量模型，它利用了基因遗传通路的先验知识，通过稀疏先验来推断可解释的因子，以发现单细胞 RNA 测序数据的变化。

Jul, 2021

本文提出了一种全贝叶斯潜在变量模型，利用条件非线性独立结构学习高效的潜在表示；该模型能够捕捉极高维空间下的结构，可用于建模大规模未加工的图像，并通过从训练模型中的潜在空间中采样直接生成新图像；同时也演示了该模型在人体姿势预测中的应用，贝叶斯框架能够以一种合理的方式进行消岐，以包含数据动态特性的潜在空间先验。

Jun, 2012

本文提出了一个有潜在变量的结构化预测的统一框架，包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近，在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果，比潜在结构支持向量机和隐藏条件随机场方法要好。

Jun, 2012

我们提出了一个灵活高效的潜变量模型，利用高斯过程捕捉样本与相关缺失模式之间的时间相关性，并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。

Feb, 2024

本文旨在从潜在组件识别的角度理解基于最大化相关性的深度多视角学习，并采用一种直观的生成模型来分析多视角数据，它是共享和私有组件的不同非线性混合物，通过最大化潜在相关性，可以保证从各个视角提取共享组件（在一定程度上）并且还证明了通过适当的正则化设计，每个视图中的私有信息可以被明确地分离出来。

Jun, 2021

提出了一种基于无监督多视图生成模型的条件变体，可在高维空间中生成各种物体的逼真样本，相比于其他条件生成方法，我们不会对变差因素做任何假设，不需要视图的监督。

Nov, 2017

本文提出了一种新的框架来学习具有所需结构属性的多元数据的可控和通用表示，该模型利用图模型中的掩码变量表示归纳偏置，并扩展多元信息瓶颈理论来强制执行结构依赖性，从而提供原则性方法来学习一组语义上有意义的潜在因素，其反映了各种类型的期望结构，如捕获相关性或编码不变性。同时还提供了自动估计数据中依赖关系的灵活性，该框架统一了许多现有的生成模型，并可应用于各种任务，包括多模态数据建模、算法公平性和不变风险最小化。

Jul, 2020

本研究提出了一种两级分层目标函数来控制变量块和块内个体变量之间的相对统计独立程度，以通过非监督学习从高维数据中学习无监督表示，实验结果显示该目标函数可以解开离散变量，并提高其他变量的解开程度和泛化能力。

Apr, 2018

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

本文提出了一种称为 SDLGM 的稀疏深度潜在生成模型，可以通过限制表征的非零特征的数量实现数据的稀疏学习，其生成的稀疏表示可以根据观察本身调整，并使用 Gumbel-Softmax 分布进行两步采样生成，采取蒙特卡罗梯度估计器的变分方法进行推论和学习，实验结果表明其性能优于传统的生成模型。

Apr, 2023