标签
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。
Qwen-Image-VAE-2.0 是一个高压缩变分自编码器套件，通过增强的架构、大规模训练和语义对齐策略，提升了重建保真度和可扩散性。
本文提出了一种两阶段的神经符号框架，利用弱监督（仅需 1% 的标签）结合基于 Slot 的变分自编码器（VAE），学习用于以对象为中心的视觉推理的可解释符号，在领域泛化方面优于基础模型。
# 变分有损自编码器 来源: [https://openai.com/index/variational-lossy-autoencoder/](https://openai.com/index/variational-lossy-autoencoder/) ## 摘要 表示学习旨在将观测数据的某些方面暴露在学习表示中，这种表示便于分类等下游任务。例如，对于二维图像，一个好的表示可能是只描述全局结构并丢弃有关详细纹理信息的表示。在本文中，我们提出