通过变分推断的视角深入探讨了深度潜变量模型的局限性，洞察了深度参数化条件概率的困难性以及潜变量目标在反向传播中的不可微性问题。

Dec, 2018

本文介绍了一种用于重建生理系统中微弱信号的新技术，通过显式建模和分离潜在内部干预对系统的潜在状态产生的影响，并通过推断隐藏的内部干预来实现对本机干预的动态的建模，从而重建招发生在心脏电学传导中的异常事件，并演示了其在电学传导中的应用（使用深度学习，时间序列和状态空间模型）。

Sep, 2022

我们提出了一个灵活高效的潜变量模型，利用高斯过程捕捉样本与相关缺失模式之间的时间相关性，并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。

Feb, 2024

本论文提出了一种自监督生成建模框架，用于联合学习多模态数据的概率潜在状态表示和相应的动态，并且该方法在机器人学方面有显著的预测和表示质量改进。

Apr, 2022

在这篇论文中，我们探索了利用潜变量建模在同时学习许多相关变量的条件下进行认知测试的方法，并提出了一种活跃学习框架，可以更高效地进行认知测试电池。通过在整个人群中对潜在空间进行联合训练，将个体的测试结果嵌入到潜在空间中，从而利用了单个参与者的测试之间以及多个参与者之间的相关性。我们通过实时数据采集验证了我们的方法，证明它在使用更少的测试项目进行项目级预测方面与传统方法相当。

Dec, 2023

从计算认知模型中提取变化的潜在变量是模型基础神经分析的关键步骤，我们提出了一种方法，通过递归神经网络和模拟数据集，将神经贝叶斯估计扩展到学习实验数据和目标潜在变量空间之间的直接映射，从而在可处理和难度较大的模型中推断潜在变量序列，该方法适用于不同的计算模型和连续离散潜在空间，并在实际数据集中证明了其适用性。

Jun, 2024

应用机器学习从大规模时间序列数据中提取临床见解，解释潜在状态、预测结果，并通过算法识别白天行为模式以预测夜间行为。

Nov, 2023

在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

Feb, 2024

本文系统性地综述了深度生成模型在生理信号方面的研究，特别是心电图、脑电图、光电容抗图和肌电图等，总结了最新的技术、应用和挑战，同时强调了评估协议和生理数据库。

Jul, 2023

通过提取 Deep Neural Networks 中的潜在信息来获取简洁的表示形式，并实现有效、统一的分析以进行预测，从而结合透明度和高预测准确性的目标，提高在 healthcare 领域的可信性和个性化的问题。

Sep, 2020