本文提出了一种层次非参数变分自编码器模型，以结合树状结构的贝叶斯非参数先验和变分自编码器来实现无限灵活性的潜在表征空间，进而在视频表征学习上取得更好的效果。

Mar, 2017

该论文介绍的方法通过密度比技巧来达到KL散度的隐式计算，在不模拟聚合后验的情况下，可以使用最优先验，从而在各种数据集上实现高密度估计性能。

Sep, 2018

该论文研究了变分自编码器（VAE）在学习可解释的表示和生成建模方面的出色表现，提供了对其良好性能的解释，阐明了该架构中解码器的局部正交性，从而促进重构和正交性之间的平衡。

Dec, 2018

提出一种基于正则化的确定性编码器和解码器的生成模型框架，替换VAEs中的随机性来达到优化潜在空间的目的，并通过引入后验密度估计步骤来生成具有相当或更好质量的样本。

Mar, 2019

本文对可变自编码器(VAE)拓展至处理序列数据的方法进行了综述，提出并讨论了动态变分自编码器(DVAEs)这一类模型，详细介绍了七种DVAE模型，并通过语音分析-重构任务的实验基准进行了验证，最后探讨了DVAE模型的重要问题和未来的研究方向。

Aug, 2020

本文提出了一种正则化方法来强制Variational Auto-Encoder的一致性，通过最小化Kullback-Leibler（KL）散度来实现；实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。

May, 2021

本文提出了基于脉冲神经网络（SNN）和变分自编码器（VAE）的全脉冲变分自编码器，架构中所有模块的构建都采用SNN，可以在边缘设备上生成高质量图像，相较于传统人工神经网络，具有更好的表现。

Sep, 2021

通过引入第二个参数化的编解码对和一个额外的固定编码器，我们发展了三种VAE的变种，并使用神经网络学习编码器/解码器的参数来比较这些变种与原始VAE的ELBO逼近。其中一种变化导致了一个EUBO，可以与原始ELBO一起用于研究VAE的收敛性。

Dec, 2022

在这项研究中，对变分自编码器（VAEs）中的后验折叠问题进行了理论分析，发现学习动态会在输入维度趋近无限大时收敛为确定性过程。此外，研究还表明VAE最初学习到纠缠表示，并逐渐获得解耦表示。当超参数β超过某一阈值时，无论学习周期如何，后验折叠都是不可避免的。背景噪声引发了超量潜在变量，导致过拟合，损害了泛化和学习收敛性。研究还发现适当调整的KL渐近算法能加速收敛。

Oct, 2023

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