该研究提出了一种新的框架，用于拟合添加量分位回归模型，提供关于条件分位数的精确推断和平滑参数的快速自动估计，适用于多样化的模型结构，同时保持数值效率和稳定性。

Jul, 2017

本研究介绍了一种新的多元条件生成模型，并展示了它在概率时间序列预测和模拟中的性能和多功能性。

Jul, 2019

提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。

Apr, 2023

通过一种新的可微分逼近目标的方法，提出了一种有效的用于生成最优合成数据的替代方法，该方法可通过优化非可微模拟器，在每个迭代中仅需一个目标评估带有小的开销，在真实测试数据集上可以以较少的训练数据生成更快的理想数据分布（高达 50 倍）并具有更高的准确率（+ 8.7％），比以前的方法更好地解决了模拟机器学习算法中大型标记数据集的生成问题。

Aug, 2020

本文将半参数回归分析广泛应用于特定情况下，包括广义线性混合模型、广义加性模型、地统计模型、小波非参数回归模型及其各种组合，通过贝叶斯层级模型或图形模型框架并采用在线均场变分方法，实现了快速更新回归拟合，以适应越来越普遍的实时流数据源的灵活实时分析。

Sep, 2012

我们提出了一种综合的基于样本的方法来评估生成模型的质量。该方法能够估计从同一分布中抽取两组样本的概率，从而为评估单个生成模型或比较在相同数据集上训练的多个竞争模型的性能提供了统计学上严谨的方法。该方法能够直接在高维数据上进行操作，无需降维，且不依赖于对真实分布密度的假设，也不依赖于训练或拟合任何辅助模型，而是专注于近似计算数据空间中各个子区域的密度（概率质量）的积分。

Feb, 2024

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。

Jul, 2023

介绍了一种新型的基于模拟的推断技术，在高维情况下，这种技术超越了传统的近似贝叶斯计算方法，并扩展了基于神经网络的代理模型的方法，并演示了这些新技术比传统方法更具样本效率和提供更高保真度的推断。

May, 2018

通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较，本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试，结论表明适用于此任务的学习器的能力排名分别为：LightGBM，QRF，GRF，GBM，QRNN 和 QR。

Nov, 2023

本文提出和分析了一种基于线性分位数回归模型的条件模估计量，并开发了其渐近分布理论。同时构建了分析和子采样法置信区间，并通过蒙特卡洛模拟评估了估计量和置信区间的有限样本性能。最后，将该估计量运用于预测联合循环发电厂数据的净小时电能输出。

Nov, 2018