通过无监督机器学习方法，介绍了一种确定有效描述随机过程动态的最小参数集的方法，并展示其在提取精确描述这些动态的最小相关参数方面的效果。此外，该方法可用于生成忠实地复制预期随机行为的新轨迹，从而提高我们对不同领域复杂现象的理解。

Jul, 2023

给定时间序列数据，本论文展示了如何利用对比学习获得紧凑的、闭合形式的解来回答 “未来会发生什么？” 和 “我们是如何到达这一点的？” 这些概率推断问题在高维观测时很具有挑战性。我们通过对时间序列数据应用一种变体的对比学习方法来实现这些问题的解答。我们的理论验证了这种对比学习所学习到的表示遵循高斯 - 马尔科夫链。

Mar, 2024

本研究研究了时间序列的情况，特别是从一个强混合连续时间随机过程中获取数据。我们展示了适当构造的对比学习任务可以用于估计扩散情况下小到中等范围间隔的转移核。此外，我们给出了解决这个任务的样本复杂度界限，并定量表征了对比损失值对学习核分布密切性的影响。作为副产品，我们阐明了对比分布的恰当设置，以及在这个设置中的其他超参数。

Mar, 2021

该论文介绍了一种基于 “对比分布” 的简单方法，该方法通过训练一个从表示到分布的深度网络，并使用方差来衡量置信度，从而赋予预训练的对比表示学习不确定性的能力。在实验中，作者展示了该深度不确定性模型可用于视觉解释模型行为、检测已部署模型中的新噪声和异常，其中在 11 个任务中，对比 10 种基线方法改进了 14％以上，同样可以用于分类超出分布的示例，其性能可与有监督方法竞争。

Oct, 2020

本文提出了一种概率视频对比学习的自我监督表示学习方法，该方法基于混合高斯将视频剪辑呈现为正常分布并将它们组合成一个高斯分布混合物来建模整个视频分布，通过此方法我们可以避免对剪辑进行转换以生成增强剪辑视图的不必要策略，实验证明该方法在 UCF101 和 HMDB51 等最流行的基准测试上是最先进的视频表示学习方法。

Apr, 2022

本文发现在连续学习的情境中，通过对比学习方法学习到的表示对抗遗忘更加鲁棒，基于该观察，我们提出了一种基于重复学习的算法，该算法着重于持续学习和维护可转移的表示，并在常见的基准图像分类数据集上进行了广泛实验验证，该方法取得了最新的最佳性能。

Jun, 2021

本文提出一种基于卷积神经过程 (Convolutional Neural Process，ConvNP) 的方法，使得神经过程 (NP) 引入了平移等变性并扩展卷积条件 NP 以允许对预测分布的依赖关系进行调整，从而在实现 Thompson 抽样或条件图像完成等相关任务时获得协调的样本，这些任务与真实世界的时空数据相关。

Jul, 2020

本研究提出了一种普适的无监督学习方法 Contrastive Predictive Coding，通过使用强大的自回归模型在潜在空间中预测未来来提取高维数据的有用表示，以此学习有用的表示并在语音，图像，文本和三维环境中的强化学习中实现了强大的表现。

Jul, 2018

使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据，使得在多个潜在随机过程上学习多个动力模型成为可能。

Feb, 2024

本文提出了一种能学习非确定性表示的 stochastic ensemble 模型，通过从模型集合中有条件地采样，能够获得每个输入示例的多个表示，并在 MNIST 的 one-shot learning 场景中进行了测试。

Dec, 2014