标签
本文提出了变分图册自编码器，这是一种混合坐标图框架，可在数据流形上学习多个局部潜在表示，并通过基于潜在证据的路由机制，将坐标图分配视为自监督后验推断，从而在 CelebA 等数据集上获得结构更优的潜在空间和质量更高的生成样本。
本文提出 D-VAE（Deconfounder Variational Autoencoder）因果推断框架，用于评估 LLM 生成广告中专家营销标签的因果价值，并在 29,177 个化妆品广告创意上验证了其有效性。实验表明，推荐配置可使用户互动提升 32.7%。
Empirical Variational Autoencoder（EVA）是一种面向连续值序列的通用生成框架，它通过训练数据经验性地学习自回归潜在先验，缓解了传统VAE中先验与后验之间的差距，并在推理速度大幅提高的情况下，取得了与自回归扩散基线相媲美的生成质量。
论文提出 E-MoE（Enhanced Mixture-of-Experts），通过由 MoE 路由决策构成的离散共享隐变量来建模非因子化的反向过程，缓解连续隐变量的后验坍缩问题，并在不增加活跃参数的前提下，提升掩码扩散语言模型在少步生成场景下的样本质量。
本文提出了一种使用文本到图像基础模型和变分自编码器的工作流程，基于与水压头观测数据的一致性对竞争性地质解释进行排名，以改进早期地下决策制定。
本文提出了一种基于变分自编码器的零样本学习框架，用于多元IoT流量异常检测，通过对抗学习和对比学习实现无需标记数据的域适应，并在多个数据集上展示了优异性能。
Luce在体素化的高斯云中统一几何和PBR材质，从单图像生成可重光照的3D资产，并在如Toys4K等基准测试中取得最先进的结果。
CLaST 提出了一种用于概率多变量时间序列预测的上下文感知对比变分自编码器框架，并在多个基准测试中展示了相对于基线方法的显著性能提升。
本文发布了一个开放的十一结构心脏CT统计形状模型，并比较了形状补全方法，证明了闭式条件高斯估计器优于像变分自编码器这样的深度学习方法。
本文研究β-VAE如何作为有效理论，其中KL权重充当谱截断，并分析非线性交互和网络深度如何影响表示的容差依赖有效维度。
介绍了ELVAE，一种采用证据学习的VAE，通过正态-逆伽马后验对潜在坐标进行建模，以获得显式的不确定性估计。在MNIST上的实验表明，类内不确定性排序可以对合成样本的可靠性和压力测试进行分层，但结果需要按类别归一化，且在不同随机种子间存在差异。
本文提出了一种基于AI的多模态中介分析框架，利用变分自编码器在All of Us研究项目队列中发现连接社会经济劣势、心理社会因素与心脏代谢多病共病的潜在通路。
提出了一种具有隐式动作空间的双时间尺度多层深度强化学习框架，用于分层边缘-云计算中的联合服务放置、计算委托和功率控制，实现高达20.8%的延迟降低和13%的资源利用率提升。
本文提出BattVAE-GP，一种混合物理-概率框架，结合变分自编码器与稀疏多任务高斯过程，生成并插值具有不确定性估计的长时程电池退化轨迹，为锂离子电池健康预测提供高效代理建模。
提出了一种变分图自编码器（VGAE），用于检测电力网络中的潮流解可行性，采用IEEE 118节点算例。该方法能够区分问题不可行性与算法不收敛。
识别了VAEs中后验坍塌的两个耦合原因，并引入了λ-VAE，这是一种对重新参数化步骤的修改，通过均衡各潜变量维度的方差来减少坍塌并提高信息容量。
提出了一种端到端的自主管道，结合SSA-LSTM预测、LSTM VAE异常检测和基于LLM的动态检索推理，为设备级能源异常生成优先排序的维护建议，在16场景基准测试中取得了90.4/100的分数。
本文提出了一种离散自回归Transformer，能够从目标连杆曲线生成平面机构，利用变分自编码器潜变量和标记化的关节坐标，在多种拓扑结构上实现多样且精确的设计。
本文提出了一种用于神经主题建模的混合经典-量子变分自编码器，在推理网络中嵌入了参数化量子电路。在AgNews数据集上的实验表明，与最先进的经典模型相比，主题连贯性和多样性有所提高，显示了在NISQ时代量子设备上的可行性。
DeepRHP是一种混合变分自编码器，能够指导随机杂聚物作为蛋白质模拟物的设计，并通过稳定非天然环境中的膜蛋白（如Aquaporin Z）得到了验证。