本研究论文介绍了一种用于密度建模和表格数据生成的基于树的生成模型，该模型提高了最新提案的建模能力，并提出了一种简化先前方法训练设置并显示提升一致性收敛性的训练算法。通过实验验证了我们方法在缺失数据插补和生成数据与真实数据对比方面的优质结果。

Aug, 2023

本文提出一种基于条件似然的方法来构造流生成模型，可以在任意所观测协变量上进行条件概率预测，其应用于数据缺失填补的评价取得了最佳的实验结果。

Sep, 2019

本文提出使用正规化流作为灵活的似然模型，以及提出了一种有效的方法来适应复杂分布的条件密度估计问题，其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析，最终将该方法应用于两大数据集的空间密度建模任务上，并在某些情况下获得了最先进的性能。

Feb, 2018

基于树模型优于深度学习模型在处理表格数据任务方面的表现，我们采用条件流匹配生成模型并使用不同技术融合了 Gradient Boosted Trees 的使用，通过在多个公共数据集上进行多个分析任务的评估，展示了大多数高级仿真任务的训练和推理时间能够加速数个数量级。该应用还可以扩展至低级特征模拟和具备竞争性性能的条件生成。

Apr, 2024

本文介绍了一种新型动态线性流方法（DLF），该方法结合了流式建模的高效性与自回归建模的高密度性能，可用于生成复杂分布，并在 ImageNet 数据集上取得了最新的最佳性能结果。

May, 2019

动态回归树是一种自动回归和分类的有吸引力的选择，可用于在线应用程序设置中具有复杂响应曲面的情况。本文提出了一种序列树模型及其粒子学习算法，这种算法允许对树状态进行高效的在线后验过滤。除此之外，本文还探讨了常数和线性均值函数以及分类问题的多项式叶子等问题，并提出了默认的先验规范。本文还详细说明了每个应用程序的具体方法。最后，实验证明，我们的方法在成本的一小部分下能够提供比常用方法更好的结果。

Dec, 2009

该论文提出了一种利用基于评分的扩散和条件流匹配生成和填补混合类型（连续和分类）表格数据的新方法。相对于依赖神经网络作为函数近似器的先前工作，我们使用了 XGBoost，一种流行的梯度提升树（GBT）方法。我们的方法在多个数据集上经验性地表明：当训练数据集是干净的或受到缺失数据影响时，它能够生成高度逼真的合成数据，并生成多样的合理数据填补。我们的方法经常优于深度学习生成方法，并且可以使用 CPU 并行训练，无需 GPU。为了方便使用，我们通过 PyPI 发布了我们的 Python 库和 CRAN 上的 R 包。

Sep, 2023

本文提出了使用基于概率模型的合成数据生成器，通过正则化流学习联合分布密度估计以及单一边际分布密度估计，取得了在密度估计以及生成高保真合成数据方面面拟真度得到了有效的提升。

Jan, 2021

本文提出了一种基于参数分布变换树的转换森林算法，用于建立回归模型的条件分布，并可进行预测区间的计算和广泛的推断程序。

Jan, 2017

基于得分扩散模型的监督式学习框架用于训练生成模型，并通过生成标记数据解决了无监督训练中的问题，提高了采样效率和神经网络训练的时间节省。

Oct, 2023