例如，对于物理运动的描述， “嵌入” 包括物体质量、运动速率和坐标空间，不涉及到抽象的向量。数据需求量小：大多数数学建模上的突破并不需要基于巨大的数据集进行。无监督学习：对数学建模来说也不适用。零样本学习：一些随机微分方程（如几何布朗运动）可以应用于金融、生物或物理领域，只需要对参数进行重新命名。对象生成：不受限制，对参进行采样即可。
对象操作：不受限制，对参数进行操作即可。理论基础：上百年的科学基础。我们没有使用微分方程解决所有问题的原因在于，对于大规模的复杂数据来说，微分方程的表现与深度学习模型相比要差得多，这也是深度学习得到飞速发展的原因。但是，我们仍然需要人工的数学建模。3. 将机器学习与基于人工的建模方法相结合如果在处理复杂数据时，我们能把表现较好的神经网络和人工建模方法结合起来，可解释性、生成和操作对象的能力、无监督特征学习和零样本学习的问题，都可以在一定程度上得到解决。
对于微分方程和其他人工建模方法来说，图像处理很难进行，但通过和深度学习进行结合，上述模型允许我们进行对象的生成和操作、可解释性强，最重要的是，该模型可以在其他数据集上完成相同的工作。该模型唯一的问题是，建模过程不是完全无监督的。另外，对于对象的操作还有一个重要的改进，即当我改变 ”胡须“ 这一特征时，程序自动让整张脸变得更像男人了，也就是意味着，模型中的特征虽然具有可解释性，但特征之间是相关联的，换句话说，这些特征是耦合在一起的。
下图展示了使用其中一个单一特征对心跳数据进行操作的过程，其中黑线代表心跳，使用的特征数据值从 -3 逐渐增大至 3。在这一过程中，其他特征始终保持不变。不难发现，第 5 个特征对心跳形式的影响很大，第 8 个代表了心脏病的情况（蓝色心电图代表有梗塞症状，而红色则相反），第 10 个特征可以轻微地影响脉博。
图：对心电图的心跳进行解耦正如预期的一样，金融数据的实验效果没有这么明显。模型的训练参数设置与上一实验相似。使用的数据为 2017 年收集的比特币价格数据集，该数据集包含一个时间长度为 180 分钟的比特币价格变化数据。预期的实验效果为使用 beta-VAE 学习一些标准的金融时间序列模型，如均值回归的时间序列模型，但实际很难对所获得的表示进行解释。
在实验结果中可以发现，第 5 个特征改变了输入的时间序列的趋势，第 2、4、6 个特征增加/减少了时间序列上不同阶段的波动，或者说使其更加趋于稳定或动荡。图：对比特币的收盘价格进行解耦多个对象的解耦假设在图像中包含多个对象，我们想要找出每一个对象的影响因素。下面的动图展示了模型的效果。上文的模型几乎具备了数学建模的全部优质特性，也具有深度学习在分析复杂数据时的高准确度。
