vae-lagging-encoder

修复VAE后验坍缩，让生成模型更稳定多样

这是一个基于PyTorch的变分自编码器（VAE）改进实现，对应ICLR 2019论文《Lagging Inference Networks and Posterior Collapse in Variational Autoencoders》。该论文针对VAE训练中常见的后验坍缩问题（即解码器忽略潜变量，导致生成多样性下降）提出解决方案，通过引入滞后推理网络（lagging inference network）机制，在训练过程中动态调整编码器与解码器的更新节奏，从而有效缓解后验坍缩。项目提供了完整的模型定义、训练脚本和实验配置，支持图像生成和文本生成两种任务场景，并包含论文中的关键实验复现。核心能力包括：实现滞后更新策略、提供多种基准数据集（如MNIST、Yahoo等）的训练示例、支持自定义数据扩展。该项目是研究VAE稳定性训练和生成模型的重要参考实现，适合学术复现和二次开发。