- CVPRLAFEAT：通过潜在特征穿透对抗防御
本文介绍了目前 CNN 模型容易受到对抗攻击的困境，提出了一种可以利用隐藏组件 LAFEAT 进行攻击的算法，并证明该算法不仅计算效率更高，而且比目前现有的防御技术更为强大。这表明模型鲁棒性可能取决于防御者隐藏组件的有效使用，并且不应从整体 - Synbols：使用合成数据集来测试学习算法
介绍了一种名为 Synbols 的机器学习工具，可用于生成新的数据集以测试各种学习算法的限制和缺陷，包括监督学习、主动学习、非分布式泛化、无监督表示学习和目标计数。
- ECCV领域特定的生成对抗风格迁移映射
本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间，以提高图像的编码质量和风格传递的效果。实验证明，与以往的图像风格转换方法相比，所提出的方法在需要图像间语义对应的复杂场景中表现得更好。
- SIGIR基于异构信息网络的跨领域保险冷启动用户推荐系统
本研究提出了一种名为 Heterogeneous information network based Cross Domain Insurance Recommendation (HCDIR) 的新框架，利用交叉领域推荐方法解决冷启动问题， - 利用量化的细粒度 VAE 和自回归韵律先验生成多样且自然的文本语音样本
本文提出了一种离散潜在空间的顺序先验方法，可以更自然地生成高度连续的语音，通过使用向量量化（VQ）对潜在特征进行离散化，并分别在结果上训练自回归（AR）先验模型，在听觉测试和自动语音识别（ASR）性能的客观指标方面，实验结果表明所提出的模型 - ICCVAdvGAN++：利用潜层进行对抗样本生成
提出了一种基于 GAN 网络的对抗生成方法 AdvGAN++，利用潜在特征作为先验，在 MNIST 和 CIFAR-10 数据集上生成了更高攻击成功率和视觉上更真实的对抗样本。
- KDD利用潜在特征进行本地解释
本研究探讨了一种利用潜在特征产生对照解释的新方向，通过添加新特征改变分类结果的方法进行预测的解释，证明了该方法在样本丰富的数据集上产生的直观解释优于其他方法，并可作为目前最先进的解释性方法的补充。
- 多任务学习中图像任务相关性的学习
本文介绍了一种名为 Selective Sharing 的方法，通过在模型训练过程中学习辅助潜在特征，从而自动将任务分组并允许它们相互共享知识，旨在解决多媒体应用常常需要同时处理多个任务，但这些任务关系复杂，领域专家知识不足的问题。在分类、 - ICCVCFSNet: 面向图像恢复的可控特征空间
通过深度学习和交互式框架，我们提出了 Controllable Feature Space Network (CFSNet)，可以控制图像的重构结果，实现图像的去噪、保留细节和提高感知质量的平衡
- ICML对比变分自编码器增强显著特征
本文介绍了一种结合对比学习和深度生成模型的对比变分自编码器 (cVAE)，旨在通过训练共享特征和不同特征的模型来发现和增强突出的潜在特征。实验表明，cVAE 可以有效地发现在特定分析中显著的潜在结构。
- WWW知识图谱增强推荐的多任务特征学习
本文提出了一种基于知识图谱增强的推荐系统的多任务特征学习方法，MKR，该方法使用交叉压缩单元将推荐任务与知识图谱嵌入任务联系起来，共享潜在特征并学习推荐系统中的物品与知识图谱实体之间的高阶交互作用，结果表明 MKR 能够在多个任务上取得有实 - AAAI面向以人为中心感知的分布式鲁棒半监督学习
提出一种针对分布偏移数据应用在半监督学习的通用分布鲁棒模型，考虑标记数据和未标记数据的不一致和一致性，学习减少个体差异和保留任务特定一致性的潜在特征，并在实际数据集上对意图识别、活动识别、肌肉运动识别和手势识别等多种人类中心识别任务进行评估 - IJCAI通过阅读少量样例来学习书写风格化的中文字符
本文提出了一种名为 SA-VAE 的新型框架，用于弹性生成具有不同风格的汉字。通过将潜在特征分离为内容相关和风格相关组件，成功地学习了新风格汉字的写作，并通过在实际应用中融合不同内容和风格的特征向量生成了不同的汉字。
- AAAI对抗网络嵌入
本文提出了一种基于生成对抗网络的对抗网络嵌入（ANE）框架，它通过捕捉网络结构特性和匹配潜在表示的后验分布以提高鲁棒性，可以用于节点分类、链接预测和网络可视化等任务，并在基准数据集上取得了竞争性或优异的表现。
- LinNet: 基于网络嵌入的概率排阵评估
本文提出了一种基于 LinNet 框架的方法，在 NBA 比赛中评估不同阵容打对手时胜率的可能性，结果表明 LinNet 的准确率为 69％，且可应用于不同的运动项目。
- 具有附加信息的关系数据的深度生成模型
提出一种基于概率框架的深度学习架构，可用于发现重叠社区和关系数据中的链接预测，利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能，通过回归模型将可用的节点属性作为侧面信息，能更好地解释潜在特征，具有高效且可扩展的优点。
- 基于变分自编码模型的深入理解
本文提出了一种新的变分自编码模型优化标准，推广了标准的证据下界，提供了它们恢复数据分布和学习潜在特征的条件，并在形式上证明了通常出现模糊样本和无信息潜在特征等常见问题的条件。基于这些新的见解，我们提出了一种新的序列化 VAE 模型，可以基于 - 利用长短时记忆网络从生物医学文本中提取药物相互作用
本文提出了三种基于长短时记忆网络（LSTM）的模型，包括 B-LSTM、AB-LSTM 和 Joint AB-LSTM，利用词语和位置嵌入作为潜在特征，不依赖于显式特征工程，其中 Joint AB-LSTM 模型表现最佳，优于现有的所有方法 - MM深度协同网络：嵌入用户和物品特征用于推荐
此研究提出一种基于深度协同演化网络的推荐系统，利用点过程和循环神经网络来学习用户和物品的潜在特征，捕捉它们之间的相互影响和特征随时间的演化变化，经实验证明，该模型较传统方法具有更好的推荐性能。
- NIPS非线性嵌入线性动力神经群体模型
提出了一种非线性生成模型 fLDS，并使用变分推断技术来拟合该模型，并在两种神经数据集上应用，与最先进的神经人口模型相比，fLDS 可用较少的潜在维度捕捉更多的神经变异，提供更好的预测性能和可解释性