本研究提出了一种优化的变分贝叶斯推断算法，解决了随机特征潜变量模型在大规模数据集中的可扩展性问题，开发了可扩展的RFLVM版本，显著提升了计算效率和性能。

本文介绍了一种利用填空式提示和潜变量模型进行弱监督文本分类的方法，实验结果显示该方法在多个数据集上优于基线，提升了分类准确率。此外，ClassKG 框架和 MEGClass 方法在文本分类中也表现出色，展示了弱监督学习的潜力。

本文探讨了多种优化变分下界的方法，包括混合算法、变分贝叶斯蒙特卡罗（VBMC）框架和代理似然函数，以提高潜变量模型的训练效果。研究显示，变分推断在GARCH-like模型中表现优异，并提出了新的离线探索策略以改善样本质量。此外，介绍了评估模型性能的统计框架和Monte Carlo VAE方法，强调了算法性能改进的潜力。

本文介绍了一种基于张量分解的新方法，结合凸弛松和随机化技术，构建了可扩展的交替优化算法，适用于高维张量完成任务。研究探讨了张量环分解、稀疏张量分解及其在潜变量模型中的应用，并验证了不同算法的性能，展示了张量网络在数据处理中的优势。

该文章介绍了一种新的视频生成模型，使用混合的显式隐式三平面表示法和单一潜变量模型来捕捉依赖关系，并通过合成单个视频帧来生成整个视频序列。该方法计算复杂性降低了2倍，减少了视觉伪影的生成。通过集成基于光流的模块，进一步增强了模型的能力，能够合成高保真的视频片段。在三个不同数据集上验证了该方法的有效性和多功能性。