- MM统一收敛的辩护：通过去随机化来实现泛化，应用于插值预测器
本研究提出通过基于替代学习模型以及条件概率分布进行去随机化以及降噪，提高对于交叉验证数据集的分类效果。
- ICLR无强度学习时空点过程
研究如何通过直接建模条件插值时间的条件分布来克服强制使参数化强度函数的局限性，并提出了一个简单的混合模型，其匹配了基于流的模型的灵活性，但也允许闭式采样和计算矩，该模型在标准预测任务中表现出最先进的性能，适用于学习序列嵌入和填补缺失数据等新 - MM无配对视频到视频翻译的语义和时间一致性保持
本文研究了无配对视频到视频翻译的问题，提出了一种新的框架，包括经过精心设计的生成器和鉴别器，以及两个核心目标函数：内容保持损失和时间一致性损失。经过广泛的定性和定量评估，证明了该方法相对于先前的方法具有更优越的性能。
- 半监督学习、因果关系和条件聚类假设
本文通过同时使用因果特征和效应特征进行分类的方式，拓展了有关半监督学习的研究成果，并利用效应特征在给定因果特征的条件下的条件分布信息来提高分类精度。
- NIPS使用领域特定变分信息界限进行无监督图像到图像的翻译
本文介绍了一种无监督图像转换框架，该框架最大化了一个特定域的变分信息界，并学习了这两个域的目标域不变表示。
- 通过拼写学习阅读：迈向无监督文本识别
该论文提出了一种无需配对监督数据进行视觉文本识别的方法，通过从给定的文本图像中预测字符串的条件概率与从目标语料库中抽样的合法字符串进行对齐，从而实现完全自动化和无监督学习，并消除了大型对齐数据集的需求，同时在合成和真实印刷书籍的扫描图像上实 - 谨慎深度学习
本文提出了基于条件概率密度 p (x|y) 而非 p (y|x) 的符合性预测集合（conformal prediction sets）来消除分类模型中的傲慢偏差（hubristic bias），该模型在不确定时会输出空集，能很好地应对对抗 - 三重生成对抗网络
本文提出了一种三角对抗生成网络，它包含三个玩家（生成器、判别器和分类器），生成器和分类器特征化图像和标签之间的条件分布，而判别器仅关注辨别假的图像 - 标签对，并且设计兼容的实用程序以确保分类器和生成器特征化的分布都收敛于数据分布。
- 转化森林
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。
- 超越正确规范的向量分位数回归
研究向量分位数回归模型及其解决优化输运问题的能力，探讨其在未正确规定情况下的解决方案，说明该模型在解决单变量情况下叶克弗（Koenker）与巴塞特（Bassett）经典方法的等价性，同时还提供其它详细的结果。
- ICML基于损失学习的潜变量不确定性建模
该研究提出了一种基于条件分布和 delta 分布的参数估计框架，通过最小化基于损失函数的不相似系数来促进两个分布的协同。该方法在两个挑战性问题 - 目标检测和动作检测上获得了良好的效果。