本文研究了一种新的模型 Gaussian Process Prior Variational Autoencoder (GPPVAE)，结合了 VAEs 和具有 GP priors 关联特性的能力，解决了 VAEs 假设的潜在样本表示是独立并且同分布的假设不够强的问题，并利用协方差矩阵中的结构，介绍了一种新的随机反向传播策略，达到了分布式和低内存计算随机梯度的目的，实验证明该方法可以在两个图像数据应用程序中优于 conditional VAEs (CVAEs) 和标准 VAEs。

Oct, 2018

通过与一个识别模型相结合，我们开发了一个可扩展的深度非参数生成模型。在利用多层感知器的变分框架下，我们重新参数化变分后验分布，并推导出一个可处理深度学习任务规模数据集的变分下界公式，证明了该方法在深度无监督学习和深度贝叶斯优化领域的有效性。

Nov, 2015

研究了高斯过程深度生成模型中的氐变量的稀疏高斯过程近似的问题，并提出了一种基于部分推理网络的稀疏高斯过程变分自编码器，从而使得稀疏高斯过程能处理多维度的时空数据中缺失的数据，并提高模型的计算效率。

Oct, 2020

提出了一种物理增强的变分自编码器，利用高维的图像数据可以学习低维的特征向量，并在学习中加入了物理学中的先验知识，从而提高了自编码器的效率和预测结果的物理正确性。

May, 2023

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

本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，它结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性，可以适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点，并且提出了该模型的有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程。本文应用 GPRN 提出了多输出回归和多元波动性模型，展示了其在基准数据集上明显优于八个流行的多任务高斯过程模型和三种多元波动性模型的性能，其中包括一个 1000 维基因表达数据集。

Oct, 2011

本文提出了一种基于 CGDL 的新型方法，可以实现开放集识别并提高已知类别的分类精度，并采用概率阶梯架构来提取高级抽象特征，实验结果表明该方法显著优于基线方法并取得了最新的最优结果。

Mar, 2020

提出了一种基于图卷积自编码器（GCA - ROM）的非线性模型降阶框架，利用图神经网络（GNNs）对无结构网格上的非参数 PDE 解进行编码降维，实现对物理和几何参数化设置下具有快速 / 缓慢衰减的线性 / 非线性和标量 / 矢量问题的快速评估和高度通用的数据驱动非线性降阶方法。

May, 2023

本研究提出了一种名为 VAR-GPs 的方法，采用贝叶斯定理作为框架，在通过观察数据在线连续学习过程中解决后验更新的问题，并使用稀疏诱导点逼近可扩展后验概率分布，从而避免了灾难性遗忘的问题。经过实验验证，在现代连续学习基准测试中，VAR-GPs 表现优异，证明了作者们建模选择的功效。

Jun, 2020

该论文提出了一种新的高维回归方法，通过将高斯过程回归融合到变分自编码器框架中实现。该方法关注输出响应在复杂高维流形上的情况，例如图像。该方法估计高维图像响应的回归，引入一种学习潜在空间、编码器和解码器的策略，并将回归嵌入到生成模型中，通过变分自编码器框架开发整个过程。作者通过多个实验展示该方法的鲁棒性和有效性。

Aug, 2019