该研究提出了一种使用物理对称性和变尺度聚类更新以消除偏差且方差较低的方法来进行高维概率分布的无偏抽样，测试了其在经典自旋系统的一阶和二阶相变中的可行性。

May, 2021

本研究通过实证蒙特卡洛研究，研究了不同聚合级别下异质因果效应的因果机器学习估计器的有限样本性能，并提供了支持这些估计器的证据。

Oct, 2018

本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

Aug, 2018

本文介绍了一种新颖的概率深度学习技术 —— 深高斯混合集成（DGMEs），它能够准确量化认知不确定性和 Aleatoric 不确定性，通过假设数据生成过程遵循高斯混合的模型，DGMEs 能够逼近复杂的概率分布。实验结果表明，DGMEs 在处理复杂的预测密度方面比现有的不确定性量化深度学习模型表现更好。

Jun, 2023

本论文介绍了一种将深度学习与核条件均值嵌入相结合的新方法，解决了核条件均值嵌入在可扩展性和表达能力方面的挑战，并在条件密度估计和强化学习中达到了竞争性能。

Mar, 2024

深度学习模型不确定性估计中，传统的高斯分布不一定适用。本研究提出了一种构建计算图框架的方法，通过识别概率分布族，实现计算图的纬度独立或者仅仅弱相关，并进行蒙特卡罗采样来估计 KL 散度等指标，从而提高图像识别的准确性、稳定性以及训练过程中的内存和时间效率。

Feb, 2022

使用增量生成蒙特卡洛（IGMC）方法，可以使用深度生成方法来衡量深度神经网络的不确定性。IGMC 通过迭代训练生成模型，并将其输出添加到数据集中，计算随机变量的期望的后验分布。我们提供了关于 IGMC 相对于样本大小和采样深度的收敛速率的理论保证。由于 IGMC 与深度生成方法兼容，因此适用于神经网络分类和回归任务。我们在 MNIST 数字分类任务上对 IGMC 的行为进行了经验研究。

Oct, 2023

提出一种新的层级似然学习框架，将伽马随机效应引入 Poisson 深度神经网络，以捕捉输入变量的非线性效应和主题特定的聚类效应，从而提高预测性能。该方法通过优化单一目标函数同时获得固定参数的最大似然估计值和随机效应的最佳无偏预测器，为处理包含高基数分类特征的聚类计数数据提供了一个快速端到端算法。并且，可以很容易地将最新的网络架构实施到提出的 h - 似然框架中，例如多头注意力层和稀疏最大函数，用于在高维环境中进行特征选择。为了提高实际性能和学习效率，还通过调整过程来预测随机参数，并使用矩量法估计方差分量进行预训练。各种实验研究和真实数据分析证实了我们提出方法的优势。

Oct, 2023

使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。

Feb, 2019

我们的研究论文利用图神经网络和双机器学习的新方法，结合社交网络，有效地推断出因果效应，并证明该估计器在因果效应估计中具有良好的性能。

Mar, 2024