- 基于 VAE 的学习多级神经 Granger - 因果连通性的框架
本文介绍了一种基于 VAE 的框架，以合理的方式共同学习相关异质动态系统中的 Ganger 因果关系，从而提取嵌入在这些系统中的共享公共结构，并识别个体系统中的特质。该方法在多个合成数据设置上进行评估，并与用于学习单个系统的现有方法进行基准 - 通过开关变量在隐含因果模型中实现解放
在没有已知基准图结构的情况下，从观察数据和干预数据中学习因果表示需要进行隐式潜在因果表示学习。本文通过软干预在变分自动编码器（VAE）框架中处理隐式潜在因果表示学习，提出了一种模拟软干预效果的方法，采用设计的因果机制切换变量在不同因果机制之 - 自动编码贝叶斯逆博弈
基于贝叶斯观点和变分自编码器，提出一种解决交互式运动规划中的逆游戏问题的方法，通过构建后验分布来量化未知参数的不确定性，并且在处理连续、多模态分布时具有高效性。在模拟驾驶场景中的广泛评估中表明，该方法成功学习先验和后验目标分布，相比 MLE - 音源分离基于潜在变分分块解缠
混合经典数字信号处理 / 深度神经网络的方法用于源分离任务，通过设计合理的潜在空间，将单通道欠定的源分离问题转化为等效的多通道过定的问题，并使用变分块间分离表征混合信号，通过经典信号处理理论结果的启发，提出可靠性更强、过拟合风险降低的模型。
- 高维点过程结构缺失的潜变量模型
我们提出了一个灵活高效的潜变量模型，利用高斯过程捕捉样本与相关缺失模式之间的时间相关性，并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。
- VampPrior 混合模型
对于深度潜在变量模型 (DLVMs)，当前的聚类先验方法要求事先定义聚类数目并容易受到初始值的影响。通过同时进行整合和聚类，我们将 VampPrior（Tomczak 和 Welling，2018）调整到一个狄利克雷过程高斯混合模型中，形成 - 变分自编码器用于异常检测的统计检验
利用统计检验方法提出了 Variational Autoencoder（VAE）在异常检测中的可靠性评估方法，该方法能够量化通过 VAE 检测到的异常区域的统计可靠性，并且可以控制误检的概率。
- 基于变分自编码器的受控解耦的无监督多领域翻译
无监督多领域转换是将数据从一个领域转换到其他领域的任务，我们提出的方法基于改进的变分自编码器，利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能，并证明了一个潜在变量存储与 - 神经收缩动力系统
我们提出了一种新的方法来学习神经收缩动力系统，使得我们的神经网络结构确保收缩从而实现全局稳定性。为了有效地应用于高维动力系统，我们开发了一种变分自编码器的变体，它学习低维潜在表示空间中的动力学，并在解码后保持收缩稳定性。此外，我们进一步将我 - 分支可变自动编码器分类器
本研究介绍了一种改进的变分自动编码器（VAEs），该编码器包含了一个额外的神经网络分支。这个分支 VAE（BVAE）通过将分类标签基于总损失中的类别信息加入到潜在表示中，从而提供了分类信息。结果上，输入类别的潜在空间分布被分离和排序，从而提 - 基于能量的扩散生成器用于高效采样玻尔兹曼分布
我们介绍了一种称为基于能量扩散生成器的新型采样器，用于从任意目标分布生成样本。采样模型采用类似变分自动编码器的结构，利用解码器将来自简单分布的潜在变量转换为逼近目标分布的随机变量，并设计了基于扩散模型的编码器。通过利用扩散模型对复杂分布的强 - AAAIPG-LBO：通过伪标签和高斯过程引导增强高维贝叶斯优化
基于变分自编码器的贝叶斯优化（VAE-BO）在处理高维结构化优化问题方面表现出出色的性能。我们提出了一种新颖的方法，通过利用无标签数据的引导，来有效地利用无标签数据与有标签数据进行训练，从而增强鉴别性潜空间的构建。本文中的方法在各种优化场景 - 减轻面部表情识别中的算法偏差
通过使用一个去偏变分自编码器，在偏倚数据集上进行实验以缓解偏见，本研究探讨了一种消除偏见的方法，以在面部表情识别中平等对待每个人。
- MGAug: 图像变形潜空间的多模态几何增强
本文提出了一种基于多模态几何变换的深度学习模型，通过学习隐空间中的变形变换，从隐含的图像变换分布中生成变形图像，进而在分类和分割任务中获得显著提高的预测准确性。
- CEIR：基于概念的可解释图像表示学习
利用概念为基础的可解释图像表示（CEIR）方法，结合自监督学习和变分自编码器（VAE），通过投影输入图像到概念向量空间并学习潜在表示，实现高质量的无监督聚类以及从开放世界图像中提取相关概念的能力。
- 属性规范化软直觉变分自编码器用于可解释的心脏疾病分类
通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化，本文提出一种新的可解释性方法，对医学成像中的人工智能模型进行了改进。在心脏 MRI 数据集上的比较实验证明了该方法在解决变分自编码器方法中模糊重建问题和提高潜空间可解释性方面的能力。 - ClusterDDPM：一种带有去噪扩散概率模型的 EM 聚类框架
利用新型的去噪扩散概率模型（DDPMs）引入创新的期望最大化（EM）框架进行聚类，通过优化学习聚类友好的潜在表示，有效地提高了聚类、无监督条件生成和潜在表示学习的性能。
- 基于光谱的机器学习软故障管理的实验研究
我们通过实验比较了不同机器学习算法在软故障管理方面的性能，并引入了一种基于机器学习的软故障管理框架。该框架利用光谱分析仪获取的光谱数据，并运行在变分自动编码器生成对抗网络（VAE-GAN）上。研究结果表明，VAE-GAN 在识别任务中，当可 - 图像参数和参数混编学习
该研究提出了一种生成式机器学习模型作为图像生成工具，能够快速地插值黑洞图像和其相关的物理参数，从而降低生成图像的计算成本，为黑洞系统的参数估计和模型验证提供便利。
- 野外餐食水平血糖控制的可解释机理表示
我们提出了一种混合变分自编码器的方法，用于学习可解释的连续葡萄糖监测和餐饮数据的表示，这一方法通过基于机制的微分方程将潜在空间与输入联系起来，产生反映胰岛素敏感性、葡萄糖有效性和基础血糖水平等生理量的嵌入。在糖尿病类型 2 和糖尿病前期个体