通过随机学习方法结合多个车辆跟随模型，该论文研究了交通动力学和自动驾驶车辆的行为，证明该方法可以更好地再现人类驾驶和自动驾驶的车辆轨迹。

Nov, 2023

综述了车辆跟随模型在交通仿真与自动驾驶中的广泛应用及其不同调节算法之间的差异与共性，并归纳总结了该领域相关文献。

Apr, 2023

使用贝叶斯方法进行数据分析和参数估计，评估交通仿真软件中基于遗传算法的校准过程，研究车辆跟驰模型在模型校准中的层次化建模优势，并应用概率建模对车辆跟驰模型进行验证。

Jul, 2023

通过元学习，我们提出了一种可适应个性化车辆跟驰的 MetaFollower 框架，结合长短期记忆网络（LSTM）和智能驾驶模型（IDM），能够准确捕捉和模拟车辆跟驰行为的细微动态，并考虑到个体驾驶者的独特驾驶风格。与常规的自适应巡航控制系统相比，该框架能够快速适应新驾驶员并在预测车辆跟驰行为方面具有更高的准确性和安全性。

Jun, 2024

通过建模生成概率路径的向量场，连续归一化流（CNFs）利用神经网络学习参考密度与目标密度之间的概率路径。本文重新利用流匹配（FM）方法，结合马尔可夫采样方法评估 FM 目标和使用学习的概率路径改进蒙特卡洛采样，将该方法用于概率推断。我们提出了一种顺序方法，利用马尔可夫链的样本修正定义 FM 目标的概率路径。我们增加了自适应调节机制以发现目标中的多个模式。在温和的假设下，我们证明了 FM 目标的局部最优收敛性，讨论了收敛速率的改进，并在合成和真实世界示例中说明了我们的方法。

May, 2024

本文研究了协同过滤问题中推荐给用户的物品之间的依赖关系模型，提出了一种基于高斯马尔科夫随机场的自动归一参数化和伪似然函数的方法，可以实现计算效率和推荐准确性之间的平衡。通过几个数据集的实验证明了该方法的有效性。

Oct, 2019

本文提出一种背景感知的基于关联滤波的目标跟踪算法，相比其他基于深度学习范式的跟踪器，经过多个跟踪基准的大量实验表明，我们的方法具有卓越的准确性和实时性，同时保持计算效率。

Mar, 2017

这篇论文提出了一种利用显著性地图生成更具信息量的 CF 解释的新方法，以解决当前深层生成 CF 模型中被选择特征导致的反直觉结果的问题。

Jul, 2023

本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

Jun, 2021

本文介绍了如何使用非负矩阵分解方法无监督地自动检测语料库中的主题，并证明该方法可结合回归得出比先识别主题后进行回归更好的效果并有更好的可解释性。

Dec, 2022