本研究针对 F1TENTH 竞赛平台，构建了动态和扩展运动模型，并进行了 400 多项实验以研究核选择、样本量、赛道布局、比赛路线和速度曲线对学习到的 GP 回归模型的准确性和泛化能力的影响。

Jun, 2023

利用基于遥感传感器的车辆轨迹数据对个体驾驶员在真实城市交通中的跟车行为进行了研究，通过非线性优化方法对智能驾驶员模型和速度差模型进行了校准，并发现速度差模型的校准参数强烈依赖于优化标准，而智能驾驶员模型在这方面更为稳健，反应时间对车跟速度模型的影响很小，说明驾驶员通过预见来弥补反应时间，研究结果可用于将来评估和建立车跟模型。

Mar, 2008

通过应用随机变分推断方法，提出一种结构化高斯近似后验，用于近似后验更普遍、非线性的潜变量生成模型，且相较于特定非共轭模型的定制化变分方法具有更好的表现；该方法旨在用于潜在动态结构模型的黑盒近似推断。

Nov, 2015

该研究探讨了与预测模型相关的潜在隐私风险，重点关注其在智能电网背景下的应用。深度学习（如 LSTM）等基于深度学习的预测模型在优化智能电网系统等多个应用中发挥关键作用，但也引入了隐私风险。研究分析了预测模型泄漏全局属性和对智能电网系统隐私的威胁的能力，并证明对一个 LSTM 模型的黑盒访问可以揭示相当于访问数据本身的大量信息（ROC 曲线下的面积差异仅为 1%）。这凸显了保护预测模型与数据具有相同重要性的重要性。

Sep, 2023

本研究建立了一个公共基准数据集，用于汽车跟车行为建模。数据集包含来自五个公共驾驶数据集的超过 80K 个汽车跟车事件，用于比较不同的跟车模型，并推进更精确模型的发展。实现了代表性的基准模型并进行测试，结果表明，基于 DDPG 模型的跟车模型在大多数数据集中具有竞争力，跟随距离 MSE 值较低，碰撞率较小。

May, 2023

在这篇论文中，我们提出了一种基于高斯过程回归的黑盒模型，用于识别机器人操纵器的反向动力学。我们的模型基于一种新颖的多维核函数，称为拉格朗日启发的多项式核。该模型能够估计动能和势能，而无需这些量的标签，并且在准确性、广泛性和数据效率方面优于基于高斯过程和神经网络的最先进的黑盒估计器。在模拟和两个真实的机器人操纵器上的实验结果表明，我们的方法实现了与精细调整的基于模型的估计器相当的性能，尽管需要更少的先验信息。

Oct, 2023

该论文研究了高斯过程模型的能力和局限性，提出了一种具有可扩展性和统计效率的推理方法，探索了灵活的内核和用于学习超参数的客观函数。通过实验结果表明，这种方法在标准 MNIST 数据集上的性能优于所有之前报告的 GP 方法，并在 MNIST8M 数据集上突破了 1％的误差率，同时展示了它在分类问题中的可扩展性。总的来说，该方法在内核方法和 GP 模型方面取得了重大突破，缩小了深度学习方法和内核机器之间的差距。

Oct, 2016

本文提出一种基于简单的描述性统计方法的特征提取方法，用于应用于机器学习模型分析优化算法。通过评估所生成的特征在黑盒优化基准测试套件中分类问题类的任务中的性能，我们得出了 DynamoRep 特征足以识别优化算法运行的问题类别的结论，实验结果表明，所有实验的平均分类准确率达到了 95%。

Jun, 2023

介绍了一种类似于前向 - 后向算法的 BBVI 算法，它可以使得我们高效地从变分分布中进行采样，并且可以估计 ELBO 梯度。在动态词嵌入模型上的结果证明了我们方法的有效性。

Jul, 2017

通过剔除近乎所有最新方法中的两个偏见，即通过对目标点的强归纳偏见实现侧向恢复和通过多模式路点预测的纵向平均实现减速，在建立一个新的基于结构化深度学习和容易实现的系统中，TF++ 在 Longest6 和 LAV 的基准测试上达到了最好的表现并提升了 14 分驾驶分数。

Jun, 2023