通过重新参数化的视角深入研究分布密度的行为，揭示在现有应用中赋予异常点密度的经验值与应用期望相冲突，提出利用这些似然函数进行异常检测依赖强的暗含假设，明确表述这些假设才能实现可靠异常检测。
Dec, 2020
本文研究利用生成对抗网络（GAN）从复杂高维图像中提取明确的概率密度估计方法，发现对自然图像进行密度函数估计难以解释，但是在图像的潜在表示上进行密度估计可以获得可解释性。
Jan, 2019
本文介紹了一些新的高維度非參數密度估計算法，探討其在無監督學習中的應用，特別是聚類問題，並且提出了一些和高維數據分析相關的研究方向。
Mar, 2019
我们介绍了一种轻量级、灵活和端到端可训练的概率密度模型，其参数由受限的傅里叶基函数表示。我们评估了该模型在逼近多模态一维密度方面的性能，这通常是难以拟合的。与 [1] 中引入的深度分解模型相比，我们的模型在类似的计算预算下实现了较低的交叉熵。此外，我们还通过一个玩具压缩任务对我们的方法进行了评估，展示了它在学习压缩中的实用性。
Feb, 2024
本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。
Sep, 2019
本研究通过设计独特的系数，首次理论证明了去噪扩散概率模型可以适应目标分布中未知的低维结构，凸显了系数设计的重要性。
May, 2024
本文提出了一种基于密度建模的新型置信度度量方法，用以解决 State-of-the-art Deep Neural Networks 存在的小量对抗噪音引起高置信度预测不正确问题，并验证其在图像失真、随机噪声和对抗噪声等方面具有鲁棒性，相比传统方法 softmax，置信度得分更低。
Jul, 2017
本研究提出了一种结合深度神经网络灵活性和高斯混合模型简洁性的方法来估计缺失值的条件概率分布，并实验验证了我们的模型在插补缺失值方面的有效性。
Oct, 2020
本研究提出了一种基于得分匹配的层次框架的方法，用于建立深度能量估计网络（DEEN），来解决高维数据中的密度估计问题，并成功地通过学习能量和得分函数及单步去噪实现了对复杂数据的处理。
May, 2018
该研究提出了一种简单而有效的元学习方法，将神经网络用于小数据量的内部分布中，通过概率密度估计在潜空间中检测 OoD，并使用高斯混合模型进行密度估计，通过最大化 likelihood 来适应每个任务中的内部分布数据，并在六个数据集上展示了该方法的优越性。
Jun, 2022