TC-VAE: 揭示数据生成因素中的外部分布
提出了一个通过spike-and-slab受限玻尔兹曼机实现高阶交互来分离数据变异因素的新模型，与以往不同的是该模型不需要使用潜在因素的监督信息来训练，并在面部表情分类任务中展示了其效果。
Oct, 2012
我们提出了一种新颖的基于VAE的深度自编码器模型，可以完全无监督地学习分解的潜在表征，具有识别所有有意义的变异源及其基数的能力，该模型通过引入所谓的关联指标变量并联合VAE参数进行自动学习，有效地将总相关损失集中到相关因素上，我们的模型在许多具有挑战性的基准数据集上胜过了现有方法。
Feb, 2019
提出了一种名为Bayes-Factor-VAEs的新型层级贝叶斯深度自编码器模型，使用长尾分布对数据的可变因素进行因子分离，可以在几个基准测试中量化和定性地优于现有方法。
Sep, 2019
通过测试不同的数据集和训练方法，我们发现，当生成模型的编码器无法将新颖的组合映射到正确的潜在空间区域时，它们会失败。而当生成模型能够成功时，要么测试条件没有排除足够的样本，要么排除的生成因素能够独立地影响生成图像的不同部分。基于这些结果，我们认为，要想正确地进行推广，生成模型不仅需要捕捉变异因素，而且还需要理解用于生成数据的生成过程的反演方式。
Apr, 2022
介绍了一种基于深度生成 VAE 模型和基于自我监督的深度度量学习 prototype 网络的方法，在无监督的情况下学习到可解释且区分的潜在因素表达式，实验结果表明了该方法在多个数据集上的表现优于现有方法。
May, 2023
这篇论文通过引入共变量先验偏好，提出了一种名为C-Disentanglement的框架，用于识别因果生成因子，并在领域变化下取得了与各种SOTA基准方法相比具有竞争力的结果。
Oct, 2023
本文研究了解耦的重要性，以识别数据的显著独立统计因素，这对合成数据生成、特征分类等领域具有重要意义。通过探讨变分自编码器（VAEs）中特殊的对角后验协方差矩阵选择，作者揭示了线性独立性如何转化为统计独立性，从而深化了我们对数据生成过程的理解。
Oct, 2024
本研究解决了解耦表示在生成建模中的有限适用性问题，通过引入一种新颖的总相关性下界（TC），优化变分自编码器（α-TCVAE），以最大化解耦和潜在变量的信息性。研究表明，α-TCVAE 在复杂数据集上能够学习到更加解耦的表示，并生成更多样化的观察结果，为机器学习领域提供了更好的生成能力和应用潜力。
Nov, 2024