- 扩散 PDE：部分观测下的生成性偏微分方程求解
通过使用生成扩散模型，我们引入了一个解决偏微分方程（PDEs）的通用框架，特别关注在没有足够知识的情况下应用经典解算器的场景，并提出了 DiffusionPDE 方法，可同时填补缺失信息并解决 PDE 问题，通过建模解空间和系数空间的联合分 - 多元股票回报的生成机器学习
使用机器学习方法生成合成数据的应用越来越普遍，本文探讨了使用现代机器学习方法，特别是条件重要性加权自编码器和条件正态流，来对股票回报进行建模的有效性。研究的主要问题是对 S&P 500 的所有成员进行联合分布建模，结果表明这种生成模型在金融 - 多边生成建模与随机插值
通过学习解释多种概率密度函数的联合分布，该研究提出了一种多边际生成建模问题的方法，该方法在随机插值框架的扩展中，通过测度的动态传输构建高效的学习算法，并在多边际视角下提取多边对应关系，从而在风格转换、算法公平性和数据修复等应用中发挥作用。
- CVPRMotionDiffuser：可控的基于扩散的多智能体运动预测
本文提出了 MotionDiffuser 模型，其能够学习多个交通参与者之间联合分布的多模态表示，在实现高效计算精确样本概率的前提下，提出了一种压缩轨迹表示以提高模型性能，并结合约束抽样框架，以应用于强制束缚和创造定制化模拟场景等应用，最终 - ACL从掩码语言模型中衍生语言模型
研究在 Masked language models 中提取出显式的联合分布的方法，并发现基于标识最接近 MLM 的条件的联合分布的方法效果最好，甚至可以有时胜过原来的 MLM 条件的出现。
- KDD时空扩散点过程
该研究提出了一种新的基于扩散模型的参数化框架，用于学习复杂的时空联合分布，它打破了现有解决方案对时空依赖关系的限制，并实现了灵活准确的预测。
- 时延多特征相关性分析从 EEG 信号中提取微小依赖
该论文提出了一种自动分解和提取脑电信号的方案，将信号的统计依赖作为多项式建模，并使用 PCA 降维找到显著的依赖方向，从而获取描述分离统计依赖的滞后相关特征，此方法提取了更复杂的行为并有助于理解皮层的潜在动力学，诊断癫痫等病症，确定精确的电 - ECCVDenseHybrid：密集型开放集识别的混合异常检测
通过重新解释判别 logits 作为未经规范化的联合分布的对数，设计了一种新的混合异常检测算法，该算法可实现对大型自然图像的密集开放式识别。
- ICML神经反向运动学
本文提出了一种基于神经网络的舒适逆运动学方法，通过使用分层结构和超网络，在指定位置和前面的关节条件下顺序采样出合法的关节角度分布。
- 深度阿基米德伪椭圆积分
本文提出了 ACNet，一种新型可微分神经网络结构，可以有效地生成 Archimedean Copulas，从而隐式地定义联合分布的累积分布函数，且能够通过给定概率分布学习新的 Copulas。
- ECCV双重对抗网络：朝着现实世界的噪声去除与噪声产生
本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明 - 通过 Rényi、$f$-Divergences 和最大泄漏实现的广义误差界限
本文研究如何利用边缘分布和随机变量之间的依赖关系来估计概率事件的概率，并在自适应数据分析和学习理论中应用，其中包括 Sibson 的互信息、α- 散度、Hellinger 散度、f - 散度等多种方法，并将最大泄密量作为特例进行了研究。
- 自信学习：估计数据集标签的不确定性
本研究提出了一种基于标签质量而非模型预测的学习方法 ——Confident Learning（CL），通过对数据进行剪枝、使用概率阈值计数来估算噪声，并对样本进行排序，以提高其置信度。我们基于假设类条件噪声过程直接估算了噪声标签和无污染标签 - 变分自编码器和非线性 ICA: 一个统一的框架
该论文研究通过因式分解先验分布的方法实现对观察变量和潜在变量的真实联合分布的识别，从而实现了对深度潜在变量模型的拆分，论文中提出了一种新的非线性独立成分分析框架，该框架同时适用于具有噪音、欠完备或离散观测的情况。
- ECCV利用上下文 GAN 从草图约束生成图像
本文研究基于手绘草图的图像生成，提出了一种新的联合图像补全方法，借助草图作为上下文来完成图像生成，并训练出了一种称为 “contextual GAN” 的生成式对抗网络，能够更好地生成真实感图像
- NIPS对抗对称变分自编码器
该研究开发了一种新形式的变分自动编码器 (VAE)，它在两个（对称的）形式中考虑了数据和代码的联合分布。同时，它使用对称的 KL 散度最小化方法进行学习，并使用一种新的对抗性训练方法来加速学习。在多项实验中，该研究展示了在数个图像基准数据集 - Tsallis 正则化的最优输运与生态推断
本文提出了一种新的优化传输框架：Tsallis 正则化最优传输（ rot），将 Monge-Kantorovitch 和 Sinkhorn-Cuturi 两种主要的最优传输方法统一在一起，并将 Wasserstein 到 Kullback- - NIPS耦合生成对抗网络
本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合 - 核独立性检验的一种更简易的一致性条件
本文使用希尔伯特 - 施密特独立准则（HSIC）作为检验统计量，构建了独立性的统计检验方法，通过分析联合分布的嵌入和边缘分布乘积的嵌入之间在再生核希尔伯特空间中的距离来定义 HSIC。通过本文的研究结果表明，即使在联合分布的核函数不具有特性 - 缺失数据的块条件随机模型
本文介绍了几种缺失数据处理方法，其中介绍了 EM 算法和基于联合概率分布的模型，提出了 block-sequential 模型，其中的 block-conditional MAR 模型能通过舍弃部分数据实现一致估计，并提供了多项式分布和指数