本文提出一个基于变分推理的方法，从大量未标记的观察中推断分离的潜在因素，通过对所观察数据的近似后验期望引入正则化项，从而鼓励分离；同时，提出了一种新的分离度量，与解码器输出中观察到的定性分离更加一致，经实验证明，在分离度和数据似然（重建质量）方面存在显著的改进。

Nov, 2017

本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。

Jul, 2023

本研究提出了一种两级分层目标函数来控制变量块和块内个体变量之间的相对统计独立程度，以通过非监督学习从高维数据中学习无监督表示，实验结果显示该目标函数可以解开离散变量，并提高其他变量的解开程度和泛化能力。

Apr, 2018

本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。

Aug, 2019

本文提出了一种框架来无监督地学习清晰而可解释的连续和离散化的表示形式，通过增加变分自动编码机的连续潜在分布，并控制每个潜在单元中编码的信息量，展示了如何自动地从数据中发现连续和分类变化因素。实验结果显示，该框架在各种数据集上对连续和离散的生成因素进行了区分，并在离散生成因素突出时优于当前的 disentangling 方法。

Mar, 2018

本文提出了一种基于解释性的无人监督学习方法来实现抽象表征，该方法可以通过学习空间遮罩、引入扰动和无人监督模型选择来学习高质量的分解表示。

Apr, 2021

通过强化模型正则化并将潜空间量化为可学习的离散代码，本文提出一种面向组成性编码和解码的概念偏置，从而在许多基准数据集上显著改善了学习表示的模块化和明确性。

May, 2023

提出了一种分析多元表示如何解开基础生成因素的框架，通过部分信息分解方法分析多元表示中的信息共享并提出了新的分离度量，实验发现分离度量对纠缠反应正确，发现分离度量相似的自编码器模型在纠缠方面有不同的特征，需要采用不同的策略来获得分离表示。

Aug, 2021

本文提出了一种使用深度神经网络在无监督条件下发现和学习物体类别中的标志的新方法，从而表征它们的结构。我们还展示了这种学习出的标志建立了不同对象实例之间的有意义的对应关系，并可以与高精度回归手动注释的标志。

May, 2017

本研究基于 VAE 框架，定量定性地评估了生成的潜在空间在向量操作和语义解缠方面的几何特性，实证结果表明潜在空间中的角色内容被解缠，这为通过操纵向量在潜在空间上的遍历来控制解释生成提供了机会。

Oct, 2022