提出一种基于自适应采样的设计问题方法，解决优化预测模型输入时的路径问题和先验知识问题，用于蛋白质设计领域并获得了最先进的结果。
Jan, 2019
基于最大似然原则的参数估计，使用迭代最优化算法获取数据似然函数的最优解。本文提出一种新的去噪扩散概率模型方法（Gen-neG），利用外部的辅助信息进行模型学习，在生成过程中通过生成对抗网络（GANs）和鉴别器引导策略，将生成样本限制在正区域范围内。实验证明 Gen-neG 在自动驾驶模拟器中的碰撞避免和安全人体运动生成等应用中具有有效性。
Jul, 2023
本文提出将无似然推断和黑盒优化统一到一个概率框架下的构造方法，以此为基础构建序列设计方法，并提出新的概率黑盒优化算法，通过序列设计应用的广泛实验表明该方法的优势。
Oct, 2021
这篇论文介绍了一种基于贝叶斯自适应实验设计的数据高效算法，用于校准自然现象的计算机模型，并展示了该方法在人工合成数据和真实数据问题中相比其他方法的优势。
May, 2024
数据驱动设计正在广泛应用于蛋白质、小分子和材料工程等领域。然而，设计目标需要进入超出模型训练范围的设计空间， 因此需要针对式样寻找新的候选设计。本文提出了一种自动对焦方法来调整回归模型，以适应训练范围之外的新式样，从而更好地实现数据驱动设计目标。
Jun, 2020
本文提出了一种自我训练的迭代方法，该方法利用简单的属性预测模型来过滤候选结构，提高生成模型的预测效果，并在无条件和条件下的分子设计中均获得了显著的性能优势。
Feb, 2020
本论文提出了一种名为 BOsampler 的新方法，通过贝叶斯优化的方法，在长尾效应区域探索潜在路径的过程中，提高了随机预测的采样效率，该方法不需要重新训练，可与现有的随机预测模型集成，实验结果表明该方法的有效性。
Apr, 2023
本文提出了一种三步法来解决合成基因设计中的优化问题，使用高斯过程模型来模拟细胞行为，定义了基于生物有意义的基因特征的最优基因设计规则，提出了多任务获得函数来同时优化多个感兴趣的方面，并定义了一个评估函数来排列和选择符合最佳设计策略的候选基因序列集合，并在哺乳动物细胞的实验中证明了该方法的性能。
May, 2015
该论文提出一种基于深度网络集成模型的新型随机梯度下降方法，通过使用多种高可能性的假设，实现产生多个预测结果的任务，其能够显著增强预测能力和降低错误率，并产生可解释的任务模糊度表示。
Jun, 2016
使用生成建模方法，本文提供了关于生成模型训练的理论洞察力，重点强调数据生成分布与训练数据生成分布之间的误差应随着样本量趋近无穷而趋近于零，并确保训练数据生成分布与任何复制训练数据样本的分布之间足够远。