- 基于马尔可夫序列的缺失质量优化估计
我们研究了离散时间，符合遗传马尔可夫链问题中估计固定质量（也称为 unigram 质量）的问题。我们开发了一种线性运行时间估计器，称为 Windowed Good-Turing（WingIt），并证明它的风险按照混合时间的总变化比例衰减。
- 众包中的数据质量与垃圾行为检测
通过方差分解来评估数据质量和检测垃圾信息威胁，提出垃圾信息指数评估整体数据一致性，并利用马尔可夫链和广义随机效应模型开发了两个指标来衡量群体工作者的可信度。
- 图像恢复的高效扩散模型：残差位移
通过建立马尔可夫链以提高高质量图像和低质量图像之间转换的效率，并通过精心设计的噪声方案灵活控制扩散过程中的转移速度和噪声强度，本研究提出了一种新的高效扩散模型用于图像恢复，表现优越或可媲美现有的方法，甚至只需进行四步采样。
- 统计归纳头的演进：上下文学习的马尔科夫链
大型语言模型具有模仿输入模式的能力。本文引入了一个简单的马尔可夫链序列建模任务，以研究这种上下文学习能力的形成。我们通过训练变压器模型来计算给定上下文的准确下一个标记的概率。通过实证和理论研究，本文揭示了成功学习是由变压器层之间的交互作用所 - 超磁拉普拉斯超图神经网络
我们提出了一种新的超图神经网络方法，其中超图被表示为一个不可逆的马尔可夫链，使用这个马尔可夫链构建了一个复杂的厄米拉普拉斯矩阵 - 磁拉普拉斯矩阵，该矩阵作为我们提出的超图神经网络的输入，并展示了其在节点分类任务上相比基于图缩减的超图神经网 - ICLR通过自排斥随机行走加速分布式随机优化
使用一种非线性 Markov 链 - 即自排斥随机游走（SRRW）驱动分布式随机优化算法，证明了该算法的迭代误差趋于零，同时导出了迭代误差对应的渐近协方差矩阵的显式形式。
- 扩散驱动的分子构象预测生成框架
借助深度生成网络，本文提出了一种新颖的生成框架 —— 方法，在计算化学和药物开发领域推动了从二维分子结构推断三维分子构型的精确性，通过一个马尔科夫链过程，将随机噪声的分布转化为连贯的分子形式，并在尊重特定要求的基础上通过一个精心设计的双层优 - 概率扩散模型讲义
扩散模型通过训练大量数据点，利用逐渐添加随机噪声和逆扩散过程将数据样本从复杂分布转换为简单分布，并学习数据流形，优于其他方法（包括生成对抗网络）来建模自然图像等分布。
- TD (0) 函数逼近的集中界
我们得到了一种关于使用线性函数逼近进行 TD (0) 的集中界限。我们通过从底层马尔科夫链的单个样本路径中获取样本来处理在线 TD 学习，这使得我们的分析与离线 TD 学习或使用来自马尔科夫链的稳态分布的独立样本进行 TD 学习的情况显着不 - Metropolis 调整的镜像 Langevin 算法在有约束空间快速采样
我们提出了一种名为 Metropolis-adjusted Mirror Langevin 算法的新方法，用于从支持为紧凸集的分布中进行近似抽样。该算法在镜像 Langevin 算法（Zhang 等人，2020）的单步离散化所产生的马尔可夫 - 弱可达情况下的零和马尔可夫博弈纳什均衡学习
通过利用 Tsallis 熵正则化的值迭代方法，我们提出了一种合理且收敛的算法，在弱条件下以无耦合和单时间尺度算法的方式高效地实现了近似纳什均衡。该算法在多项式时间内学习近似纳什均衡，仅需要存在一个诱导不可约和非周期性马尔可夫链的策略对，从 - 设计动态系统中的长期群体公平策略
在这篇论文中，我们提出了一个新的框架，用于在动态系统中实现长期群体公平性，即使在政策设计过程中已经考虑了公平性。我们通过使用时间齐次马尔可夫链对系统动态进行建模，并利用马尔可夫链收敛定理优化政策，确保独特的收敛性。我们给出了一些系统的不同目 - 马尔可夫链镜像下降在数据联合中的应用
该研究提出了一种名为 MarchOn 的随机镜像下降的新版本，应用于联合学习的场景，通过分析该方法的新框架，获得了凸性、强凸性和非凸性损失函数的最佳收敛速度，最后通过实证研究验证了理论结果。
- ResShift: 图像超分辨率的高效扩散模型通过残差移动
为解决扩散图像超分辨率方法的低推理速度和性能下降问题，我们提出了一种新颖和高效的扩散模型，通过减少扩散步骤的数量，消除了推理过程中的加速要求以及性能恶化，并通过在高分辨率图像和低分辨率图像之间转移残差来显著提高转换效率。实验显示，该方法在合 - 智能冲浪者在混沌流动中的目标探寻
该研究提出了一种基于 Ulman 网络的混沌环境中的智能冲浪者算法，可以在 Erd"os 网络上寻找具有最小阻力的路径
- 级联子空间聚类用于异常检测
本文提出了一种新的异常检测框架，使用多次自表示构建弱异常检测器，利用弹性网络和马尔可夫链在每个阶段构建自表示，实现梯度提升，将多个弱检测器结合成一个强检测器，可应用于图像和讲者数据库中的异常检测问题，并取得了优异的实验效果。
- 一次一个：多步体积概率分布扩散用于深度估计
本文提出了一种利用 Volumetric Probability Distribution 及 Markov chain 的深度估计任务多步分布逼近过程的方法，并在 MVS 和 SSC 方面取得了最新的研究成果。
- 离线强化学习的高效扩散策略
该论文提出了一种有效的扩散策略（EDP），用于在线学习优化策略，可以解决传统 Diffusion-QL 的训练效率低和与基于最大似然的 RL 算法不兼容的问题。研究表明，EDP 可将扩散策略的训练时间缩短至 5 小时，在 D4RL 基准测试 - RoMa：重温稠密特征匹配的鲁棒损失
从马尔可夫链的角度重新审视强健损失，将匹配问题分解为粗匹配和细匹配两个阶段，提出了一种 RoMa 算法以进行本地特征精炼，实现了显著的性能提升。
- ICMLTIPS: 任意时刻神经网络的拓扑重要路径采样
提出了一种基于马尔可夫链的分析方法，用于自动设计具有任意模型复杂度的神经网络，并且实验证明该方法在多种数据集上能够提高神经网络的准确性和收敛速度。