本论文提出了一种自监督生成建模框架，用于联合学习多模态数据的概率潜在状态表示和相应的动态，并且该方法在机器人学方面有显著的预测和表示质量改进。

Apr, 2022

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

通过时间信息学习潜在因果变量的变化规律，使用因果过程先验引入约束来实现条件满足，达到从非线性混合数据中可靠地识别因果潜在过程的目的。

Oct, 2021

通过定义多种机制以及与机制特定的潜在变量，本文证明了对比学习可以在多模式下阻止识别那些在模态之间共享的潜在因素，从而为多模式表示学习提供了理论基础，并说明了在哪些情况下多模式对比学习在实践中有效。

Mar, 2023

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

提出了一种基于潜在变量高斯过程的多源数据融合框架，用于解决使用多源数据进行系统优化时存在的质量和全面性差异问题，并通过数学和材料科学案例研究验证了该框架在稀疏数据问题、数据源解释性以及模型能力方面的优越性。

Feb, 2024

本文提出了一个名为 LiLY 的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

Feb, 2022

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

我们提出了一个深度生成时间序列的方法，利用潜在的时间过程来对复杂疾病轨迹进行建模和全面分析。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于进一步数据分析和临床假设测试，包括发现相似患者和对疾病进行新的子类型聚类。此外，我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在建模系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。

Nov, 2023

在非平稳环境中，本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设，表明在温和条件下，可以从非线性混合中恢复独立的潜在成分，而无需观察辅助变量。我们还提出了 NCTRL，一种基于原则的估计框架，仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明，我们的方法可可靠地识别时间延迟的潜在因果影响，并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。

Oct, 2023