Autoregressive Energy Machine 是一种高效的基于能量的神经网络模型，具备在无监督学习中广泛使用的灵活性，可以在不受概率密度限制的条件下计算归一化常数，实现在密度估计任务中的最优表现。
Apr, 2019
本文提出一种利用多尺度去噪得分匹配的能量模型 (Energy-Based Model, EBM)，并利用多噪声级别的数据进行训练。该模型在高维数据的样本合成和密度估计方面取得了与 GAN 相当的性能，并在图像修复任务中表现良好。
Oct, 2019
通过分析神经网络的数学框架和得分匹配与回归分析之间的创新连接，本文提出了第一次得分函数学习的一般化误差（样本复杂性）边界，从而克服了观测值中存在噪声的问题。
Jan, 2024
利用深度神经网络来近似评分函数的效率在基于扩散的生成建模中进行了研究，我们观察到评分函数可以通过变分推断去噪算法在图模型中得到较好的近似，同时这些算法适用于高效的神经网络表示，通过示例验证了这一观察，并结合离散化误差界限为基于扩散的生成建模提供了有效的样本复杂度界限。
Sep, 2023
本文提出了一种新的密度估计方法 —— 深度密度模型（DDM），能够快速计算测试数据的归一化密度、生成样本并描述数据的联合熵。
Feb, 2013
本研究提出了深度结构化能量模型，其中能量函数是具有结构的确定性深度神经网络的输出，该模型可以应用于不同类型数据的结构，通过训练算法提高异常检测准确性。
May, 2016
提出了一种新的损失函数 —— 能量差异，可以快速且准确地训练能量模型，并在极限情况下逼近显式分数匹配和负对数似然损失，解决了分数估计方法中存在的近视问题，同时也具有理论保证。
Jul, 2023
本研究提出了一种基于贝叶斯框架的深度神经网络反问题求解方法，使用噪声分数匹配技术学习先验分布，并结合模拟退火算法对图像反问题进行全面采样，应用于磁共振成像重建，提供了高质量的图像重建以及重建图像中特定特征的不确定性评估。
Nov, 2020
本文探讨了基于鲍姆 - 韦尔奇定理的 Stein 方法和 Score Matching 方法的核估计者，提出了一种基于正则化非参数回归框架的统一视角，允许我们分析现有的估计器并选择不同的假设空间和正则化器构建新的估计器。最后，我们提出了基于迭代正则化的分数估计器，它们受到无旋核和快速收敛的计算优势的支持。
May, 2020
通过使用内存高效的方法以及利用卷积神经网络的最大似然优化，我们介绍了一种用于磁共振图像恢复的后验分布的端到端学习方法，该方法能够从未采样的测量中恢复图像，并提供重建的不确定性地图。
Feb, 2024