提出了一种基于变分自编码器框架的潜在分数生成模型 (LSGM)，通过使用潜在空间代替数据空间进行训练，使得该模型可以更加高效地生成样本且在多项任务方面取得了最先进的成果，同时在训练目标中提出多种方差约束的技术以保证其在稳定性和可扩展性上的表现。

Jun, 2021

本文提出了一种凸性正则化潜变量优化（CR-LSO）方法，使用图形变分自动编码器（G-VAE）和输入凸神经网络（ICNNs）实现神经结构搜索，并在三个 NAS 基准测试中获得具有竞争优势的计算和性能结果。

Nov, 2022

这篇文章介绍了一种对变分自动编码器 (VAEs) 进行简单扩展的方法，通过渐进性减小潜空间大小来自动确定训练过程中的最佳潜空间大小，并将该方法与传统的超参数网格搜索进行比较，结果表明其速度显著更快，且在四个图像数据集上实现了最佳的维度。此外，还证明了我们方法的最终性能与从头开始训练的最佳潜空间大小相当，因此可能作为一种便利的替代方法。

Dec, 2023

本文提出了一种基于潜在空间聚类的主动学习框架，利用无监督和有监督特征的动态结合，在节点分类中充分利用有标记和未标记节点的表示能力，使用 K-Medoids 聚类算法选择标记节点，并设计增量聚类模块以避免不同步骤选择的节点之间的冗余。经过在五个数据集上的广泛实验，结果表明我们提出的 LSCALE 框架始终以较大的优势显着优于现有最先进方法。

Dec, 2020

该论文介绍了 GLSR-VAE，一种 Geodesic Latent Space Regularization 方法，该方法可以在生成数据时对数据进行微调，并演示了在一个单声部音乐生成任务中生成音乐变化的有效性。

Jul, 2017

稀疏自编码器通过重构来自稀疏瓶颈层的激活，提供了一种从语言模型中提取可解释特征的有前途的无监督方法。我们提出使用 k - 稀疏自编码器来直接控制稀疏性，简化调整并改进重构 - 稀疏性的界限，并引入一些评估特征质量的新度量标准，这些度量标准在自编码器的规模大小上通常会有所改善。

Jun, 2024

本文研究了自编码器的潜在空间（LS）属性，并提出了两种获得期望拓扑结构的 LS 配置方法。研究表明，利用几何损失项直接作用于 LS 的损失配置方法可以可靠地获得期望的 LS 配置，从而可以在 LS 中定义相似性度量来预测标签或估计多个输入的相似性，而无需使用解码器或分类器。研究还证明，使用所提出的方法训练的有监督自编码器在纹理分类方面表现良好，并且可以在没有微调的情况下很好地泛化到来自 LIP、Market1501 和 WildTrack 数据集的未见数据，甚至可以用于评估未见类的相似性。此外，通过跨数据集搜索和基于文本查询进行文本搜索的实验证明了预配置的 LS 相似性估计的优势，而无需使用语言模型。

Feb, 2024

连续图像超分辨率 (SR) 一直受到研究人员的关注，因为它可以在各种显示设备上实现实用且灵活的图像缩放。本文提出了一种 Soft-introVAE 方法，用于连续潜在空间图像超分辨率 (SVAE-SR)，通过局部隐式图像表示来进行坐标和二维特征的插值，同时采用一种新颖的潜在空间对抗训练方法来实现保真度很高的图像恢复，进一步利用位置编码方案通过汇集像素区域上的频率信息来改进质量。我们通过定量和定性比较展示了提出的 SVAE-SR 的有效性，并进一步阐述了其在去噪和真实图像超分辨率方面的泛化能力。

Jul, 2023

Levenstein VAE 提出了一种简单易优化且避免后验坍塌的新目标，通过在生成的序列的每个时间步中根据 Levenshtein 距离预测最优延续来生成序列，从而产生比其他方法更具信息化的潜在表达。

Apr, 2020

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