提出了一种基于预测处理理论的神经生成模型计算框架，通过构建神经元层次结构，预测邻居神经元的工作并根据预测与观测结果的差异更新神经元参数来训练模型，实验结果表明，该模型在多个基准数据集和度量标准上表现出色，并具有与功能类似的其他生成模型相媲美甚至优越的性能。

Dec, 2020

使用神经生成模型构建 COGnitive Neural GENerative 系统，以优化变分自由能函数，并探讨其在认知科学中的应用。

Oct, 2023

通过引入生成循环反馈，本文在卷积神经网络上实现了一种用于保证自我一致性的框架，并在标准基准测试中展示了 CNN-F 相对于传统前馈 CNN 的显着提高的对抗性鲁棒性。

Jul, 2020

本文介绍了一个专门用于探索运动感知的生成模型，将其描述为一种基于随机偏差纹理的高斯分布的随机偏微分方程，该模型可以将运动能量模型转化为一个基于 Bayesian 推断的准则。

Nov, 2015

Bayesian 脑理论探讨了大脑采用生成模型来理解外界世界。本研究提出了分层指数族能量模型（HEE 模型），用于捕捉推断和学习的动态。通过将分区函数分解为个别层，并利用一组具有较短时间常数的神经元来采样分解归一化项的梯度，我们的模型能够同时估计分区函数并执行推断，避免了常规能量模型中遇到的负相位问题。此外，我们展示神经适应可以作为动量项，显著加快推断过程，以适应大脑的快速计算。在自然图像数据集上，我们的模型展示出与生物视觉系统中观察到的相似表示。此外，对于机器学习社区，我们的模型可以通过联合或边缘生成产生观测数据。我们表明边缘生成优于联合生成，并且与其他能量模型的表现相当。

Oct, 2023

大脑将世界建模为生成模型并使用均值场近似和变分推断来推断其隐藏原因是一个重要的且需要深入研究的问题。

Jul, 2023

本文提出一种基于生成模型的逻辑推理关系，将真值的概率生成过程化，证明了该模型优于其他推理模型，同时给出了一种性能优越的分类算法。

Dec, 2020

通过近似计算生成新数据分布的深度生成模型，特别是扩散模型，在重构过程中使用大型数据集来训练模型，以图像帧为单位推进时间，同时认识到文化在记录中标记，将扩散系统视为未来计算过程，与过去息息相关，并针对视频制作作为信号处理器生成序列，回溯十年前的算法和多轨制作方法，揭示了当代合成方法在动态图像中的实际预测失败。

Aug, 2023

探讨采用 Restricted Boltzmann Machines 作为深度无监督学习结构的生成神经网络的生成动力学，并通过 RBM 对手写数字数据集进行实验证明从 Chimera 状态启动自上而下的采样可以增加生成多种数字的能力，然而 RBM 的自上而下动力学受到能量函数形状的严重限制。

May, 2023

提出了一种基于自由能原理的具有实体系统的模型，其包括身体和注意力模型，并以 MNIST 数据集为例刻画了注意力模型的推理过程。

Jun, 2020