提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。

Sep, 2023

通过一种无监督方法，提出了在长度和标签稀疏性方面都很具有可扩展性的编码器，通过时间负采样的三元损失组合将其与基于因果膨胀卷积的编码器结合，用于生成变长时间序列的通用表示，表现出了良好的质量、可转移性和实用性。

Jan, 2019

提出了一种针对高维时间序列数据的离散表征学习框架，通过整合可解释性离散降维和深度生成建模方法，得到在可解释性和聚类性能方面优异的平滑嵌入表征，基于自组织映射算法和马尔科夫模型实现了离散表征的概率化解释和进一步优化，实验结果显示其表现比竞争方法更好。

Jun, 2018

本文介绍了一种基于随机变分推理 (Variational Inference) 的学习算法，可以为存在潜变量的、具有难以处理的后验分布的连续概率模型提供有效的推理和学习方法，特别是在大型数据集下具有较好的表现，且已经在实验上得到了验证。

Dec, 2013

提出了一种序列变分自动编码器模型（SISVAE），其基于 VAE 模型，以及采用平滑性先验，用于多维时间序列的稳健估计和异常检测，这种模型采用灵活的神经网络来参数化每个时间戳的均值和方差。

Feb, 2021

使用时间滞后变分自编码器（VDE）对复杂的非线性蛋白质折叠等过程进行降维，并通过 saliency mapping 方法分析 VDE 所选择的用来描述动态过程的特征。

Nov, 2017

本文提出一种新的深度顺序潜变量模型，通过高斯过程在时间上平滑演化的抽象低维表示来实现缺失数据的非线性降维和数据插值，旨在解决在医疗和金融等领域中常见的缺失数据问题。我们的方法优于传统的和基于深度学习的数据插值方法，并提供可解释的不确定性估计。

Jul, 2019

本文介绍了一种用于无人监督学习序列数据的框架 ——Kalman 变分自编码器，该框架在描述视频中的动态变化时不使用构成其帧的像素空间，而是用一个描述其物体非线性动态的隐藏空间。该模型在各种模拟的物理系统视频中进行端到端训练，在生成和缺失数据输入任务方面优于竞争方法。

Oct, 2017

介绍了一种类似于前向 - 后向算法的 BBVI 算法，它可以使得我们高效地从变分分布中进行采样，并且可以估计 ELBO 梯度。在动态词嵌入模型上的结果证明了我们方法的有效性。

Jul, 2017

用追踪方法研究时间变化的变分不等式在博弈论、优化和机器学习等领域的应用问题，将已有研究扩展到非单调函数的情况，并对离散动力系统的收敛行为和轨迹进行详细研究，并通过实验验证了理论结果。

Jun, 2024