本研究分析了不同深度学习分类器在物联网生态系统中对高维数据的降维效果。结果表明，变分自动编码器（VAE）在准确率等指标上优于视觉转换器（ViT），为物联网安全提供了更有效的僵尸网络检测方法。

本研究提出了FedRecon，一种针对分布式异构环境中缺失模态重构和非独立同分布适应的多模态联邦学习方法。FedRecon通过轻量级的多模态变分自动编码器和新的分布映射机制，显著提高了模态重构性能。

本文介绍了HyBNN，一种结合全精度变分自动编码器和任务特定二进制神经网络的新型结构。HyBNN通过全精度编码器提取特征，减少二元化带来的准确性损失，结合了深度神经网络的高准确性和二进制网络的快速训练及高功率效率。实验显示，HyBNN优于传统二进制网络。其联邦学习版本FedHyBNN保持了相同的准确性和高通信效率。

该研究介绍了两组新的初始化方法：一组是通过应用变分自动编码器来局部初始化权重组，另一组是通过应用图形超网络来全局初始化完整的权重集合。结果显示全局初始化可以提高准确性和初始收敛速度，但通过图形超网络实现会降低对超出分布数据的集成性能。为了解决这个问题，提出了一种叫噪声图形超网络的修改方法，以增加生成的集成成员的多样性。该研究提供了对这些新的初始化方法的潜力、权衡和可能修改的见解。

本文介绍了一种名为基于能量扩散生成器的新型采样器，利用变分自动编码器结构将潜在变量转换为目标分布的随机变量，并设计了基于扩散模型的编码器。通过准确估计生成样本分布与目标分布之间的Kullback-Leibler散度，该方法在各种复杂分布函数上表现出优越性。

本文介绍了两组新的初始化方法：一组是通过应用变分自动编码器局部初始化权重组，另一组是通过应用图形超网络全局初始化完整的权重集合。评估结果显示，全局初始化导致更高的准确性和更快的初始收敛速度，但图形超网络方式会降低对超出分布数据的集成性能。为解决此问题，提出了噪声图形超网络的修改方法，鼓励生成多样性。此外，该方法可能将学到的知识传递给不同的图像分布。

本文研究了无监督离群检测的深度生成模型，特别关注基于标准正态先验分布的基本变分自动编码器。提出了一种新的离群得分方法（ER），结合了重建图像输入和科尔莫哥罗夫复杂性。实验结果表明，该方法优于基准方法。

该论文提出了一种名为MoLA的快速高质量运动生成框架，利用变分自动编码器和潜在扩散模型实现高质量的快速生成。还应用了无需训练的引导生成框架来实现各种编辑任务，证明了对抗性学习在文本到运动生成中的有效性，并展示了编辑框架在运动领域中的适用性。

本文介绍了一种对变分自动编码器 (VAEs) 进行简单扩展的方法，通过逐渐减小潜空间大小来自动确定训练过程中的最佳潜空间大小。与传统的超参数网格搜索相比，该方法速度更快且在四个图像数据集上实现了最佳的维度。此外，研究证明了该方法的最终性能与从头开始训练的最佳潜空间大小相当，因此可能作为一种便利的替代方法。

本文提出了条件前门调整（CFD）的概念，并通过可识别的变分自动编码器学习了 CFD 调整变量的表示，实验证明了 CFDiVAE 的有效性及其在处理未观察到的混淆变量时的优越性。

该研究提出了一种新的离线强化学习代理，通过减去基于奖励的勘探法的探索奖励，使策略保持在数据集的支持范围内，并连接到对学习策略向数据集的普遍约束的正则化。该代理通过基于变分自动编码器的预测误差的奖励进行实例化，并在一组连续控制运动和操作任务的状态下证明了其竞争力。

本研究使用高分辨率摄像头数据，基于变分自动编码器将城市场景中的异常分为正常数据或异常数据，并将其分离到孤立的聚类中，同时能够重构高质量的图像。研究者提供了差异图，并评估其对检测性能的影响。

本文研究了无监督离群检测的深度生成模型，特别关注基于标准正态先验分布的变分自动编码器（VAE）。提出了一种新的离群得分方法ER，结合了重建图像输入的概念和考虑图像复杂性。实验结果表明，该方法优于基准方法。