- 平方神经族：一种新的可计算密度模型类
提出一种新的概率分布类别，称为平方神经族 (SNEFY)，通过计算神经网络的 2 - 范数来形成，并在基础度量方面进行归一化。 SNEFY 比传统指数家族更灵活，具有可追溯的边缘分布，能够广泛应用于密度估计和条件密度估计任务。
- Bounded KRnet 及其在密度估计和逼近中的应用
本文介绍一种在有界域上应用于密度估计或求解偏微分方程的可逆映射 B-KRnet，并将其与 KRnet 进行比较；通过使用 B-KRnet 作为传输映射，我们得到与前导（均匀）分布对应的明确概率密度函数 (PDF) 模型，而应用该映射于数据时 - ACLDEnsity：利用密度估计的开放领域对话评估指标
本文提出了一种名为 DEnsity 的评估指标，该指标通过利用神经分类器导出的特征空间上的密度估计来评估响应，从而使得其相关性比现有指标更好，并通过对特征空间的压缩利用对比学习来进一步提高性能。
- ICML一种耦合流方法的模仿学习
本文介绍了利用基于正态流的模型对状态分布进行估计的应用，该算法针对单个专家轨迹，在许多基准任务上都取得了最先进的表现，并自然地扩展到各种其他设置，包括子采样和仅状态制度。
- LCDnet：用于实时视频监控的轻量级人群密度估计模型
本文提出了一种轻量级人群密度估计模型（LCDnet）和一个改进的训练方法（CL），并在无人机视频监控中实现了实时计数；实验结果表明，LCDnet 在一定范围内准确性较高，同时显著降低了推理时间和内存需求，可以在计算资源非常有限的边缘设备上部 - ICLR利用密度估计分离学习表示
本文提出了一种名为高斯通道自编码器（Gaussian Channel Autoencoder, GCAE）的方法，通过灵活的潜空间密度估计实现可靠的解缠表示，并通过双向互信息量度解缠其潜空间子集，从而将其高维潜在联合分布表示为许多低维条件分 - 使用不完美标签进行人群密度估计
本文研究了深度学习模型在使用不完美标注的人群图像数据进行密度估算时的鲁棒性，提出了一种使用自动生成的不完美标注数据训练的方法以代替标注错误数据的方法。实验结果表明，该方法可以更接近于使用完美标注数据训练的人群计数模型的准确度。
- 具体记分匹配：离散数据的广义记分匹配
该研究提出了一种在离散领域中类似于 (Stein) 分数的分数函数 ——“Concrete Score”，可以用于离散数据的建模，并且引入了一个新的框架来从样本中学习这样的分数，称为 “Concrete Score Matching（CSM - 用于工业异常检测的非对称师生网络
该研究提出了一种解决 AD 领域师生方法存在的问题的新方法 —— 不对称师生网络（AST），通过使用归一化流密度评估作为教师和传统前馈网络作为学生，以检测工业缺陷，并取得了关于图像级异常检测的最新成果。
- 利用潜在高斯分布的双曲线 VAE
通过使用高斯流形变分自编码器 (GM-VAE) 来提高图像数据集的密度估计和基于模型的强化学习下的环境建模。GM-VAE 在估计密度任务上优于其他变量的双曲线和欧几里得 VAEs，并在基于模型的强化学习中展现出竞争性的性能。
- ICMLButterflyFlow: 使用蝶矩阵构建可逆层
提出了基于蝴蝶层的可逆线性层族，构建了一种新型正则化流模型 ButterflyFlow， 在天然图像（如 MNIST、CIFAR-10 和 32x32 的 ImageNet）和结构化数据集（如星系图像和 MIMIC-III 病人群）上获得了 - 可处理概率模型的连续混合
本文提出了一种混合模型方法，将连续潜在空间的概率模型与可计算的概率电路相结合，用于密度估计，通过实验证明这种方法在许多标准密度估计基准测试中超越了以往的可计算模型。
- 朝向治愈得分匹配的盲目
本文讨论机器学习和统计学应用中常用的得分基础分歧的盲区问题，提出一种可以缓解盲区问题的新的分歧家族，并通过密度估计的例子说明了该分歧的提议，并报告了与传统方法相比的性能改进。
- 干预密度估计的正规流
本文介绍了一种利用干预深度规范化流方法从观测数据中估计潜在结果密度的方法，并且在各种实验中展示了其高效和可行性。
- ICML贝叶斯神经网络在宇宙学中的鲁棒性基于仿真的推断
使用贝叶斯神经网络框架进行 SBI 的训练，涉及宇宙微波背景的推断，并引入 cosmoSWAG 以缓解数据迁移问题。
- ICMLLIDL: 使用近似似然度量的局部内在维数估计
提出了一种利用极大似然法进行局部内嵌维度估计的新方法，并成功地通过利用近期参数神经方法在似然估计方面的进展，解决了对高维数据进行非参数最近邻估计中出现的问题。
- 基于潜变量的密度估计
本研究提出了一种新的生成模型 LED，它不仅可以高效地生成样本，还可以进行高效的密度估计，并通过最大化判别器输出的对数似然来鼓励生成数据的多样性，同时构建一个流式生成器，在保持良好的生成质量的同时，可以计算生成样本的准确概率。
- 有限训练任务下的元强化学习 —— 一种密度估计方法
本研究探讨使用密度估计技术，直接学习任务分布并在其上训练策略以最大化回报，从而实现元强化学习的有效性问题，结果表明，与基于历史策略的学习方法相比，我们的方法具有更好的效果，特别是在任务分布存在低维流形的情况下。
- 通过潜空间密度估计进行元学习以进行超出分布检测
该研究提出了一种简单而有效的元学习方法，将神经网络用于小数据量的内部分布中，通过概率密度估计在潜空间中检测 OoD，并使用高斯混合模型进行密度估计，通过最大化 likelihood 来适应每个任务中的内部分布数据，并在六个数据集上展示了该方 - 免样本通用计数
本文提出了一种用于类别无关计数的视觉计数器，利用区域建议网络及密度估计对重复出现的对象进行计数，实现对新颖目标类别的自动化计数。实验表明，该方法在 FSC-147 数据集上表现优异。