标签
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。
本文提出了一种基于马氏距离的潜在异常检测方法，利用VAE在时变系统中切换强化学习控制器和极值搜索控制器，并在粒子加速器控制中进行了验证。
本文介绍了GNOVA，一种GRU-神经常微分方程变分自编码器框架，用于从常规临床数据中重建和预测阿尔茨海默病的认知轨迹，无需昂贵的神经影像或生物标志物，在ADNI数据集上实现了低误差和不确定性估计。
本文提出了一种基于条件变分自编码器（cVAE）的概率后处理框架，用于对北极海冰的季节性预报进行偏差订正，相比标准方法，在校准性、锐度及谱功率方面均有提升。
本文介绍了VAEs的神经码本通道诊断方法，该方法衡量编码器-解码器不一致性，并提供一个受变分差距约束的证书，从而能够在深度生成模型中检测不匹配的解码。
本文提出了Conv-VaDE，这是一种用于发现可解释脑电图（EEG）微状态的变分深度嵌入模型，该模型联合学习地形重构和概率软聚类。它包含对静息态EEG数据进行评估的系统架构搜索，以确定最佳模型配置以实现稳定性和可解释性。