本文介绍了一种基于数据和物理驱动的模型，利用深度神经网络作为元模型，通过预测中间 FE 测量值来表征 PMSM 的电磁行为，并通过各种物理模型后处理来计算所需的关键绩效指标，从而在计算上实现了 PMSM 的数值优化。

Jun, 2023

本文阐述了成功学习多模态生成模型的四个判定标准，提出了一种混合专家多模态变分自编码器（MMVAE）来学习不同模态的生成模型，并展示了其在具有挑战性的图像 - 语言数据集上实现四个标准的能力，从质量和数量两方面进行了定性和定量。

Nov, 2019

通过多模态数据，在机器学习研究中设计深度潜变量模型一直是一个长期的主题。本文考虑了一种可以严密下界数据对数似然的变分约束，同时发展了更灵活的聚合方案，通过组合不同模态的编码特征与置换不变神经网络。数值实验表明了多模态变分约束和各种聚合方案之间的权衡。我们展示了当我们想近似已鉴别模型中观察到的模态和潜变量的真实联合分布时，更紧密的变分约束和更灵活的聚合模型可能会带来益处。

Sep, 2023

本文探讨了利用深度神经网络对概率模型进行参数化的变分推断方法在语言建模上出现的后验坍塌问题，介绍了多种解决方案和模型扩展，并通过贝叶斯优化系统性比较了这些方法的效果和差异，同时提供了一些实践建议。

Apr, 2019

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

本研究提出了一种新的深度度量学习模型 TVAE，基于 VAE 模型和三元组损失函数来学习潜在特征表达，实现了对 MNIST 数据集的高准确性识别（95.6%）。

Feb, 2018

本文提出了一种方法，将变分自编码器和深度度量学习相结合，以在高维和结构化的输入空间上执行贝叶斯优化。通过深度度量学习中的想法，利用黑盒函数的标签指导来构造 VAE 潜在空间，促进高斯过程拟合，从而改善 BO 性能。重要的是，该方法在半监督环境下运行，在只有少量标记数据点可用时表现良好。在三个真实世界任务上进行实验，在罚款 logP 分子生成基准测试中取得了最先进的成果，仅需之前方法所需标记数据的 3％。作为理论贡献，我们提出了 VAE BO 的消失遗憾证明。

Jun, 2021

本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格，通过在概率潜空间中探索 3D 表面，既可以代表 3D 动画序列，也可以代表同一类别的对象集合，具有大规模非线性形变的多样形状，广泛的实验表明我们的方法可以实现不同的形状性能，如形状生成、形状内插，形状空间嵌入和形状探索，取得了超越最先进方法的结果。

Sep, 2017

提出了一种结合了判别和生成模型，基于弱监督深度学习的新型深度学习框架，用于解决多示例学习中来自于正实例标签不确定性的挑战，并成功应用于音频事件检测和分类任务中，相对以往的研究成果表现更优，具有良好的可扩展性。

Jul, 2018

使用 meta-recognition 模型通过 autoencoder 方法，学习简洁的模型代码，并通过 meta-generative 模型构建任务特定模型参数，实现比 fine-tuned 基线网络更低的损失和与最先进的元学习算法相匹配的性能，同时还能够识别对模型预测有影响的训练样本和预测获取哪些附加数据将对改善模型预测最有价值。

Jul, 2018