本研究探讨了生成建模中潜在空间选择的最优解以及其确定过程，并提出了一种新的距离度量方法和具体的训练策略来优化潜在空间的选择，进而提高生成效果。

Jul, 2023

该论文提出一种后期无监督方法，通过分解和聚类方法，自动发现深度学习模型中的概念向量，从而支持可解释性分析，可以成功鉴别与疏离数据有关的训练样本

Jul, 2023

本文提出并验证八种数据分布度量方法，相对于现有方法，其中大部分具有改进效果，建议使用一种基于主要成分的度量方法和一种基于熵的度量方法来评估模型的数据分布情况。

Dec, 2022

本文提出了一种联合因子分析和潜在聚类的框架，旨在学习矩阵和张量数据的聚类感知低维表示。该方法利用矩阵和张量分解模型来揭示潜在聚类结构，并通过潜在聚类结构作为先验信息来提高因子分解的性能。

May, 2016

本研究发现神经网络可以学习较低维度的流形，从而在高维数据空间中分解数据，同时又能取得良好的泛化性能，重点关注降维和流形的内在维度等方面。

Jun, 2019

在这篇论文中，作者介绍了一种名为 k * 分布的方法，用于捕获神经网络的学习潜在空间中不同类别的样本分布特征和结构，以便更深入地理解现有的可视化结果。研究揭示了学习潜在空间子集中样本分布的三种不同情况：a) 断裂型，b) 重叠型，c) 聚类型。同时，作者还说明了该分析方法可应用于不同神经网络架构、神经网络中的不同层、输入样本的变换以及神经网络的训练和测试数据分布的探索。这一方法有望促进对神经网络的更有针对性的研究。

Dec, 2023

通过在语义相关的数据集和任务上训练的模型，我们研究了聚合这些潜在空间以创建包含组合信息的统一空间。我们引入了相对潜在空间聚合（Relative Latent Space Aggregation）作为一个两步方法，首先使用相对表示使空间可比较，然后通过简单平均聚合它们。我们把一个分类问题细分为三种不同的设置下的学习任务，并训练每个任务的模型并聚合结果的潜在空间。我们将聚合空间与在所有任务上训练的端到端模型产生的空间进行比较，并表明两个空间是相似的。我们观察到聚合空间更适合于分类，并通过实验证明这是由于任务特定嵌入器遗留在表示中的独特印记。最后，在不存在共享区域的情况下测试我们的框架，并显示它仍然可以用于合并空间，尽管相对于简单合并而言其好处有所降低。

Nov, 2023

自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器，我们将其潜在空间设为条件，将样本分类为正常数据或异常数据。为了特别强调小的异常，我们进行了实验，在额外的输入中提供了差异图，并评估其对检测性能的影响。我们的方法将正常数据和异常数据分离到孤立的聚类中，同时还能重构高质量的图像，从而产生有意义的潜在表示。

Sep, 2023

本文提出了一种基于概率模型的降维方法，通过在目标数据集和背景数据集之间寻找信号富集的模式，能够恢复目标数据集中潜在空间中的有趣结构，并可应用于去噪、特征选择和子组发现等领域。

Nov, 2018

本研究提出优化自动编码器的磨损和判别力对数的预训练阶段，以获得更高的聚类准确性和更快的收敛速度。

May, 2018