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。

该研究提出了一种基于交叉注意力变换器的等变神经场方法，实现了从潜变量到场的等变解码。该方法具有可调整性和局部场编辑属性。

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。