本文提出了一种新的因式化深度生成模型框架，旨在实现可解释的动态图形生成，并提出了各种生成模型，以表征节点、边、静态和动态因子之间的条件独立性，并基于新设计的因子化变分自编码器和循环图解卷积提出了变分优化策略和动态图解码器。多个数据集上的广泛实验验证了所提出模型的有效性。

Oct, 2020

本文提出一种名为 DEAR 的去混合生成因果表征学习方法，通过使用结构性因果模型作为先验分布和适当的 GAN 算法，利用监督信息对因果结构进行学习，从而实现因果可控生成并提高下游任务的样本效率。

Oct, 2020

通过提出一种新颖的解缠结自监督图神经结构搜索 (DSGAS) 模型，并在未标记的图数据上进行自监督训练，该模型可以以无监督的方式发现捕捉各种潜在图因素的最佳结构，并取得在一些基准方法上的最先进性能。

Mar, 2024

本文提出一种基于 Riemannian geometry 和 product manifolds 的可微分图模块，用于推断连接数据的复杂潜在图结构。该方法不仅可以动态地学习数据的内在结构，还可以在性能上对现有方法进行改进并成功地在各种数据集上进行了测试。

Nov, 2022

本文提出了一种无监督的方法来确定预先训练 GAN 模型的潜在空间中的可解释方向，从而实现对图像的控制生成，其应用包括弱监督显着性检测等。

Feb, 2020

该论文提出了一种新的无监督图表示学习原则 —— 基于图的通用潜在因子提取（GCFX）以及一个深度学习模型 deepGCFX，利用提取出来的共同的潜在因子来改进下游任务的表现，特别是对于非同配图，还揭示了通用的潜在因子可以减轻节点或局部邻域的局部变化带来的干扰，从而有助于节点或图级的任务执行。

Dec, 2021

本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

Jan, 2021

提出了一个通过 spike-and-slab 受限玻尔兹曼机实现高阶交互来分离数据变异因素的新模型，与以往不同的是该模型不需要使用潜在因素的监督信息来训练，并在面部表情分类任务中展示了其效果。

Oct, 2012

本文提出一种利用 Beta-VAE 深度学习框架对图表现进行生成建模与压缩编码的方法，并成功实现了对随机图与真实图的自动生成，得到了可解释的潜空间变量，在不手动选择拓扑属性情况下，分析了图拓朴与节点属性之间的相关性。

Oct, 2019

本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。

Oct, 2018