标签
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。
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