本文介绍了一种基于群组合并与拆分的马尔可夫链蒙特卡罗算法，能够有效地从后验概率分布中采样网络分区，尤其是针对随机块模型。我们证明了基于单个节点移动的方法即使在小型网络上也无法正确采样后验分布，而我们的合并拆分方法表现明显更好，在典型情况下改善了马尔可夫链混合时间数个数量级。我们还展示了该方案如何直接扩展为随机块模型的嵌套版本，从而得到分层网络分区的渐进精确样本。

Mar, 2020

本文研究了非平衡态下存在的集体系统，详细探讨了个体材料组分内部能量以及小扰动对整个系统流变性质的全球影响，利用模拟推断方法依据少量图像数据提取了集体系统参数的可行性，着重强调了复杂集体系统内部的结构关系是生成模型和数据更精确匹配的重要因素。

Apr, 2023

通过数据驱动算法和高性能计算，我们构建了一个基于时空光锥的框架，用于实现新现象的自组织，并且本文指出局部因果状态可以在复杂的时空系统中捕捉有序行为和一致结构。在二维湍流方面，我们证明了局部因果状态捕捉了涡旋及其幂律衰减行为，而在应用方面，我们演示了局部因果状态可用于识别已知（飓风和大气河流）和新的极端天气事件，并且可以通过高分辨率气候数据进行时间跟踪。

Apr, 2023

我们提出了一个神经网络模型，通过映射持续图像到宇宙学参数，准确且精确地估计宇宙学参数，显著优于传统的贝叶斯推断方法。

Aug, 2023

Markov链蒙特卡洛(MCMC)是推断隐藏马尔可夫模型的可行方法，但由于参数空间中蒙特卡洛采样器在不确定区域内随机采取小步骤，受维度诅咒的约束往往导致计算上的限制。我们首次将目标的后验分布视为样本在无限维欧几里得空间中的映射，其中嵌入了确定性子流形，并提出了一种通过最大化加权里捷极化量来离散化可矩阵流形的新准则。我们研究了Chebyshev粒子的特性，并将它们嵌入到连续的MCMC中，这是一种高接受率的新型采样器，只提出了少量评估。我们在合成数据的线性高斯状态空间模型和真实数据的非线性随机波动率模型的参数推断实验中取得了高性能。

Sep, 2023

利用生成模型构建了一个深度学习框架，可以估计活性物质系统中的熵产生速率和概率流量，并将其分解为个体粒子、空间区域和自由度的本地贡献。通过将该方法应用于基于运动引起的相分离的活性粒子的高维系统，验证了该方法的广泛应用性和可扩展性。

Sep, 2023

FreeFlow是一个框架，以时间依赖的最优输运来解释扩散公式，其中概率密度的演化模式由Wasserstein空间中的泛函梯度流给出，既阐明了DPMs的微妙机制，也通过创造性地涉及Lagrangian和Eulerian观点来指示一些缺陷的根源，特别地，核心方程将所有随机和确定性DPMs凝聚为一个单一情况，展示了我们方法的可扩展性，此外，我们工作中使用的Riemannian几何有潜力桥接数学中更广泛的领域，为未来建立更优秀和更广义的模型提供了更深入的工具。

Dec, 2023

我们开发了基于分数的生成模型（SGMs）和去噪扩散概率模型（DDPMs）的扩展，用于三维旋转的李群SO（3），并应用于合成密度和姿态估计任务，在天体物理学/宇宙学中预测相关星系方向。

Dec, 2023

使用单一的扩散生成模型作为宇宙学参数推断模型和冷暗物质密度场的代码模拟器，旨在通过近似似然推断给出对宇宙学参数的严格约束，并展示这种参数推断方法较基准参数推断网络更具鲁棒性。

May, 2024

应用GPU加速、自动差分和神经网络引导重新参数化等新技术，我们研究了多维参数空间中的天体粒子物理实验结果，并将其性能与传统嵌套采样技术进行了对比，发现这些技术可以加速推理过程，提高模型比较性能。

May, 2024