本研究提出了一种新方法Gradient Sparse Autoencoder（GradSAE），通过结合输出梯度信息，识别对模型输出影响显著的潜变量，验证了激活潜变量对模型结果贡献不均的假设。

本研究提出了一种带有潜变量的主动因果结构学习方法，旨在帮助自主机器人在变化环境中学习绕行行为，显著提升了机器人应对新环境的能力，构建新的因果模型，提高决策和行动效率。

本研究提出ClusterGAN，通过混合一热编码和连续变量的潜变量进行聚类，结合特定损失函数和逆网络训练，展示了GAN在潜空间中有效保留类别间插值的能力。同时，研究探讨了GAN潜在空间的可解释性和控制方法，提出了无监督技术和基于几何的优化策略，以提升生成效果。

本研究提出了一种可控自回归建模框架，解决了视觉生成模型中自回归模型的可控性和灵活性不足的问题。通过将条件控制融入多尺度潜变量建模，显著提高了生成过程的可控性和图像质量，并在减少训练资源的情况下表现出强大的泛化能力。

本文介绍了多种基于深度学习的抽取式文本摘要模型，强调层级结构和潜变量对摘要质量的重要性。研究表明，数据集的层级结构显著影响模型性能，新模型在多个数据集上取得了优异的ROUGE分数，展示了其在自动摘要领域的潜力。

本文提出了一种新的贝叶斯非线性潜变量建模方法，利用随机傅里叶特征扩展高斯过程潜变量模型（GPLVM），适用于泊松、负二项和多项分布。研究表明，该方法在复杂数据集的潜在结构和数据填充方面表现出色，尤其在光谱学领域具有广泛应用潜力。

本文提出了一种基于非高斯数据的解析解，用于估计因果系数及其比例，并引入新的方法判断潜变量影响下的因果关系。研究了潜在结果和结构因果模型的反事实建模问题，提出“分布一致性”假设，以增强建模能力。实验验证了方法的有效性，为因果关系的理解和应用提供了新方向。

本文提出了一种结合变分自动编码器和注意力机制的新方法，用于从高维数据中学习动力系统，以实现科学动力学的有效推断。该方法通过自编码器学习潜变量，并利用神经网络构建潜变量的动力学，遵循热力学原理，展现出强大的泛化能力和鲁棒性。此外，框架LiLY能够在未知分布转换下快速修正模型，并通过因果结构识别潜在因果关系，提升模型学习效率。

本文介绍了一种新的非参数建模方法LDGD，利用高斯过程将高维数据映射到低维流形，通过推断潜变量来提高模型的预测准确性和鲁棒性。LDGD还引入了诱导点来降低计算复杂度，实现了批处理训练，提高了处理大规模数据集的效率和可扩展性。该方法在预测标签方面的准确性超过了现有方法，并在有限训练数据标签的预测中表现出高准确性。这为高维数据分析中的非参数建模方法发展奠定了基础。

介绍了LDGD非参数建模方法，利用高斯过程将高维数据映射到低维流形，通过推断潜变量提高预测准确性和鲁棒性。LDGD引入诱导点降低计算复杂度，实现批处理训练，提高处理大规模数据集的效率和可扩展性。该方法在预测标签方面准确性超过现有方法，并在数据可用性受限的场景中表现出高效和有效的特点。

本文研究了如何在潜变量的影响下，通过最小化干预代价来恢复因果图。提出了两种干预代价模型，并在此基础上，给出了在线性代价模型下识别祖先关系的算法，以及使用特殊类型的 colliders 来限制干预次数的方法。