该研究提出了一种基于主题引导的变分自编码器（TGVAE）模型，该模型使用高斯混合模型作为先验，建立了神经主题模块对语料中的主题进行指导性生成。实验结果表明，该模型在无条件和有条件文本生成方面优于传统的变分自编码器方法。

Mar, 2019

本文提出了一种使用正则化方法处理 Variational Recurrent Autoencoder 中 latent variables 过于随意造成的语言模型崩溃问题，将额外约束限制在 VRAE 的 latent variables 的后验概率分布中，使得模型能够准确地控制 KL 项和重构项之间的权衡，并学习到更加密集和有意义的 latent representations。实验表明，该方法优于多个强力 baseline，且不需要使用其他 KL 退火策略，能够学到可解释的 latent variables 并生成多样化和有意义的句子。

May, 2019

本文提出了一种训练程序，它基于辅助损失函数来控制潜变量所捕获的信息以及留给自回归解码器的信息，该方法可以实现任意强大的自回归解码器，达到具有潜变量的模型中最先进的定量性能，并生成定性令人信服的样本。

Nov, 2017

介绍了神经网络生成模型、自然语言处理、VAE、可控制生成、深度神经网络等相关概念和应用。

Nov, 2022

介绍了一种更优秀的文本建模方法：将主题信息作为狄利克雷潜变量明确建模在变分自动编码机（VAE）中。提出的模型更适合重建输入文本，且由于引入的狄利克雷变量与传统的多元高斯变量之间固有的互动，使得模型更不容易出现 KL 散度消失。我们推导了新模型的变分下限，并在四个不同数据集上进行实验，结果表明，该模型在潜在空间的文本重建上更加优秀，并且所学特征的分类具有更高的测试准确性。

Oct, 2018

本论文探讨了使用条件变分自编码器（CVAEs）生成图像字幕。我们提出了两种模型，分别基于高斯混合模型（GMM）假设和一种线性组合均值的新型加性高斯（AG）假设来构造潜在空间，从而创造多种内容类型的图像的先验分布。与 LSTM 基线或 “vanilla” CVAE 相比，我们展示了这两种模型产生了更多样化和更准确的字幕，特别是 AG-CVAE 表现得尤为优异。

Nov, 2017

该论文提出了一种模型 —— 变分循环自编码器（VRAE），结合了 RNN 和 SGVB 的优点，可用于针对大规模时间序列数据进行高效的无监督学习，将时间序列数据映射为潜在向量表示。该模型具有生成性，因此可以从潜空间的样本生成数据。此外，该模型能够利用无标记数据，通过初始化权重和网络状态，促进 RNN 的监督训练。

Dec, 2014

本文提出一种基于递归变分自编码器（RVAE）的语音增强的生成方法， 通过与非负矩阵分解噪声模型相结合，仅使用干净的语音信号训练深度生成语音模型， 并在测试时微调 RVAE 的编码器以近似给出噪声语音观测下的潜在变量的分布。与基于前馈完全连接体系结构的先前方法相比，所提出的递归深度生成语音模型引入了潜在变量上的后期时间动态，其在语音增强结果方面表现更好。

Oct, 2019

本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

Dec, 2019

研究使用解码器作为全局信息捕捉的替代性结构，以改善深度变分自编码器的范围控制缺乏问题，并使用重构来证明这些结构提供了更多的全局功能。

Apr, 2020