- 广义嵌套潜在变量模型在风力涡轮机场景中的应用于失真编码
通过神经网络进行速率失真优化在压缩效率和图像质量方面取得了有竞争力的结果。本文通过设计具有马尔科夫链结构的广义 L 级嵌套生成模型扩展了这一概念。我们的实验评估是在风力涡轮机场景上进行的，以研究其在视觉检查中的应用。
- 多语言模型的协同解码学习
我们提出了一种方法，通过在标记级别交替生成来教授多个大型语言模型（LLM）进行协作。我们将下一个标记由哪个 LLM 生成的决策建模为潜在变量。通过在潜在变量模型下优化训练集的边际似然，基础 LLM 自动学习何时生成自己，并在需要时调用其中一 - 大型語言模型中線性表示的起源
高层语义概念在大型语言模型的表示空间中按线性方式编码；本研究通过引入简单的潜在变量模型来研究这种线性表示的起源，并证明了下一个标记预测目标和梯度下降的隐式偏差共同促进了概念的线性表示。
- 使用具有运动编码的随机过程模型稳健地学习噪声时间序列集合
使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据，使得在多个潜在随机过程上学习多个动力模型成为可能。
- 一个概率模型解释自监督表示学习
自监督学习在生成的潜在变量模型和对比方法的框架下，提出了一种能够改善性能、实现任务无关性表示的方法。
- 利用 CatLog 导数技巧对分类分布进行可微分抽样
我们提出了 CatLog-Derivative 技巧，该技巧针对分类分布，并用于引入 IndeCateR，一个新颖且无偏的梯度估计器，具有比 REINFORCE 更低方差的重要独立分类分布产品情况，并通过实验证明同样数量的样本下 IndeC - 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法
通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。
- 使用神经网络对系外行星大气层的压力 - 温度剖面进行参数化
利用少量参数的基于神经网络的潜变量模型的参数化方案，实现了对大气检测和外行星大气特征的更准确和更高效的估计。
- 探索艺术中的可解释人工智能：解释生成音乐中的潜在空间
介绍了一种增加可解释性的音乐生成的潜变量模型，通过潜空间正则化、用户界面反馈循环和音乐属性可视化，实现了模型和生成音乐结果的可解释性和可调试性。
- 应用于非对比 CT 中卒中灶分割的同步图像 - 标签扩散概率模型
本文提出了一种基于扩散概率模型的非对比 CT 扫描中卒中病灶分割方法，该方法完全基于隐变量模型，在噪声预测流的帮助下能够高效地推断出最终标签，经多组数据集验证，证实其达到了最先进的性能。
- 均质空间上的潜隐式微分方程
研究在一个固定的同质化潜在空间中的矩阵李群诱导的随机微分方程类型中的变分贝叶斯推断问题，并以具有竞争力的或甚至是最先进的性能完成各种时间序列插值和分类基准测试。
- 带噪声治疗和无附带信息可辨识的因果推断
本文提出了一种基于深层潜在变量模型和重要性加权变分目标的测量误差下因果推断的方法，使得即使没有测量误差方差和侧面信息，也可以得出可靠的因果效应估计。
- ICML域自适应的部分可识别性
本研究针对无标签信息的目标领域，依靠因果机制的最小变化特性来最小化分布偏移的影响，利用两个分区潜在子空间的潜在变量模型来约束域移，证明潜在变量是部分可识别的，提出一种实用的域适应框架 iMSDA，并在基准数据集上取得了优于现有算法的实验结果 - KDD基于图神经网络的时空外推技术
本文研究了在图形上从周围环境生成目标位置数据的时空外推任务，提出了具有不确定性估计和强大学习能力的空间 - 时间图神经过程模型，并使用贝叶斯聚合算法在转移过程中对上下文数据和图形结构进行了考虑。
- ACL提供更多细节：利用潜在检索改进事实核查
该研究旨在改善自动事实核查系统，并尝试将原始文档的全文作为证据，并引入了两个丰富的数据集。实验证明，即使没有标注黄金证据句子，包括原始文档在内的证据可以提供足够的上下文线索，该系统能够在不同的设置下显著提高最佳报告模型的精度。
- 变分扩散自编码器：具有无条件扩散先验的深层潜变量模型
采用扩散模型集成编码器和无条件扩散模型的得分函数，消除了 VAE 图像模糊的问题，并显著提高了性能。
- 基于双层潜变量模型的高效样本多智能体强化学习
本研究使用 BiLL (Bi-Level Latent Variable Model-based Learning) 算法来解决多智能体强化学习 (MARL) 算法中高样本复杂性的问题，通过从高维度的输入数据学习一个双层潜变量模型，在全局状 - AAAI混合对话系统中消减负面风格转移
本文提出基于对比学习的混合对话系统方法，利用多任务融合技术和潜变量模型来解耦多种文本体裁，以减少负面风格传递问题，并通过包含潜变量的样式前缀进一步控制响应生成的样式。实验结果表明该方法在多个对话数据集上达到了最先进的性能。
- AAAI利用多源数据进行离线强化学习的行为估计
该研究提出了一种基于潜变量模型对离线强化学习中多源数据的行为估计进行精细化建模的方法，以解决现有方法在忽略数据异质性时容易出现行为估计错误的问题，并且在现有离线 RL 算法上的实验表明该方法的有效性。
- 线性潜变量模型中受测量误差影响的因果推断
探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。