本文提出了一种完全数据驱动的 ROM 框架，该框架使用 CAEs 对全序模型进行空间重建，并使用 LSTM 集成进行时间序列预测，在两个非稳态流体动力学问题上的应用结果表明，所提出的框架能够有效减小误差传播，使得在未知点上对潜在变量的时间序列预测更加准确。

Feb, 2024

使用时间滞后变分自编码器（VDE）对复杂的非线性蛋白质折叠等过程进行降维，并通过 saliency mapping 方法分析 VDE 所选择的用来描述动态过程的特征。

Nov, 2017

本论文提出了一种基于 Householder 变换的体积保存流方法，改进了变分后验分布的灵活性并在 MNIST 数据集和组织病理学数据中获得了理想的结果。

Nov, 2016

提出了一种变分空间转换自编码器（VTAE），通过在 Riemann 流形上最小化测地线来改善表征学习，并提高计算机视觉任务的预测准确性和适用性，包括图像插值和重构。

Apr, 2023

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

本文提出了一种基于转换器和变分自动编码器（VAE）的条件变分自动编码器（CVAE）方法，在保持卓越的生成效果的同时增强了可控性和表征学习能力，实现了对长文本的神经故事生成。

Jan, 2021

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

本文提出了变分 Transformer（VT）算法，将变分自注意力前馈序列模型与 CVAE 的变分性质相结合，从而有效处理对话响应生成领域中高熵任务的问题，并在多个对话数据集上获得了性能提升。

Mar, 2020

本文提出了 SurVAE Flows 作为一个模块化的框架来组合深度学习中的生成模型 Normalizing flows 和 Variational autoencoders，通过使用双射变换来建模密度和可逆变换，桥接了两种模型之间的差距，同时介绍了一些通用操作。

Jul, 2020

本文探讨了如何将贝叶斯网络中的任意依赖结构引入变分自编码器 (VAEs) 中，通过引入图形残差流来实现。我们在多个合成数据集上比较了模型的性能，并展示其在数据稀缺情况下的潜力。

Apr, 2022