无论是离散类还是连续类，您都可以对其建模。

表示编码器$q$和解码器$p$. 回想一下变分自动编码器的目标是最小化$KL$之间的分歧$q$和$p$的后面。IE$\min_{\theta, \phi} \ KL(q(z|x;\theta) || p(z|x; \phi))$在哪里$\theta$和$\phi$分别参数化编码器和解码器。为了使这个易于处理，这通常通过使用证据下界（因为它具有相同的最小值）和参数化来完成$q$使用某种形式的重新参数化技巧使采样可微分。

现在您的目标是调节采样。换句话说，您正在寻找建模$p(x|z, c;\phi)$反过来又需要$q(z|x, c; \theta)$. 您的目标现在将直观地再次变为$\min_{\theta, \phi} \ KL(q(z|x, c;\theta) || p(z|x, c; \phi))$. 出于易于处理的目的，这仍然只是简单地转换为 ELBO。换句话说，你的损失变成$E_q[log \ p(x|z,c)] - KL(q(z|x,c)||p(z|c)$.

要点：条件变化没有太大变化，只是嵌入你的上下文并将其注入编码器和解码器，事实上它的连续性并没有改变任何东西。对于实现细节，通常人们只是投影/规范化并以某种方式将其连接到一些表示$x$在解码器/编码器中。