自动驾驶汽车通过统一的、可解释的、高效的自主性框架，在关键因素（如碰撞避免、舒适性和进展）方面评估候选路径，从而实现了优于高保真闭环模拟中最先进水平的高速公路驾驶质量。

Apr, 2024

在自然科学领域中，离散状态空间上的生成模型具有广泛的潜在应用。本文介绍了一种在离散状态空间模型上应用引导的通用方法，该方法依赖于在离散状态空间上利用连续时间马尔可夫过程，从而实现了从期望的引导分布中进行抽样的计算可行性。我们展示了该方法在图像、小分子、DNA 序列和蛋白质序列的引导生成等多个应用中的实用性。

Jun, 2024

该论文提出了一种基于图结构状态空间模型的概率推理方法，利用深度学习和高斯马尔可夫随机场的有原则的推理方法，定义简单的空间和时间图层，并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布，可缩放地采样出闭合的后验。

Jun, 2023

这篇论文提出了目标导向的神经变分智能体 (GNeVA)，它是一个可解释的生成模型，用于预测自动驾驶车辆在混合交通流中的潜在行为，具备对分布外情况的强大泛化能力。实验验证了该模型具备可解释性和泛化能力，并能够达到与最先进结果相媲美的性能。

Mar, 2024

本文提出了一种变分自动编码器框架，通过整合基于图表示和时间序列模型，有效捕捉交互式动态代理之间的时空关系并预测其动态行为，进而增强模型的可解释性和在分布外泛化的能力。经过大量的仿真和现实世界数据集的实验证明，与现有方法相比，本方法在建模时空关系、运动预测和识别时间不变的潜在特征方面表现出卓越的性能。

Jan, 2024

本文提出了一种基于图神经网络的深度状态空间模型，用于建模交互式动态系统，且预测分布为多峰高斯混合模型，同时提出了结构化的协方差近似方法，可以适用于具有多个智能体的系统，并在自动驾驶数据集上进行了测试并与现有技术进行了比较。

May, 2023

本研究提出了一种统一算法，以高效学习一类广泛的线性和非线性状态空间模型为主，包括由深度神经网络建模的发射和转移分布，使用结构化变分逼近参数化的循环神经网络来模拟后验分布，同时学习编译的推理网络和生成模型。通过应用于合成和真实数据集，本算法展现了其可扩展性和通用性，并发现使用结构化的后验近似会导致具有显著更高留存的可能性的模型。

Sep, 2016

通过基于分数的逆扩散算法生成的高质量样本提供了证据，表明尽管遭受维度灾难的困扰，用于降噪训练的深度神经网络（DNN）可以学习高维密度。然而，关于训练集记忆化的最近报导引发了一个问题，即这些网络是否正在学习数据的 “真实” 连续密度。在本文中，我们展示了在非重叠的数据集子集上训练的两个降噪 DNN 学习到几乎相同的评分函数，从而学习到相同的密度，并且只需要非常少的训练图像。这种强大的泛化表明 DNN 架构和 / 或训练算法中的强大归纳偏差与数据分布的特性相一致。我们通过对这些内容进行分析来证明这一点，证明了去噪器在适应底层图像的基础上执行了一个收缩操作。对这些基础的检查揭示了轮廓线和均匀图像区域中的振荡谐波结构。我们通过证明即使在训练于低维流形等图像类别的情况下，这些经过训练的去噪器也会生成这种几何自适应谐波表示来表明它们在归纳偏差方面具有偏好。此外，我们还展示了当在已知最优基础为几何自适应谐波的常规图像类别上进行训练时，网络的去噪性能接近最优。

Oct, 2023

引入了一个针对具有连续状态和动作空间以及非高斯转移模型的随机域的模型学习和规划框架。该框架高效，因为只有在计划器需要它们时才估计局部模型；计划器集中于当前规划问题的最相关状态；计划器专注于信息最丰富和 / 或价值最高的动作。我们的理论分析显示了所提出方法的有效性和渐近最优性。在实验上，我们在模拟的多模式推动问题上展示了我们算法的有效性。

Jul, 2016

该论文介绍了一种基于模型的方法，利用概率推理和深度生成模型的方法，解决在空间环境中的定位、绘图、导航或自主探索等问题，并能够灵活地从数据中学习。该方法在两个不同的模拟环境中表现出了与专业最新方法相当的性能。

May, 2018