- Ai-Sampler: 用逆映射进行马尔可夫核的对抗学习
用可逆神经网络构建的逆变 Metropolis-Hastings 核函数以保证细致平衡，通过参数化和训练马尔可夫链的转移核函数来实现高效采样和良好的混合，以最小化链的稳态分布与数据的经验分布之间的总变差距离。
- 神经方法实现参数摊销推理
基于模拟的方法对于统计推断发展迅速，过去 50 年随着技术进步，如今它又迎来一次革命，利用神经网络、优化库和图形处理器进行学习数据和推断目标之间复杂映射，从而快速实现推断。本文回顾了最近在点估计、近似贝叶斯推断、自动构建摘要统计以及似然函数 - 基于模拟推理的循序神经似然估计方法
通过 Surjective Sequential Neural Likelihood（SSNL）估计，我们提出了一种新的方法，用于在评估似然函数不可行且仅可使用生成合成数据的模拟器的模型中进行基于模拟的推断。SSNL 采用一个降维的满射标准 - 生成流网络：马尔可夫链角度
本文对 Generative Flow Networks 进行了形式化，并将其视为循环马尔科夫链状态空间下采样的一种方法，这一方法可以在不使用流动的情况下模拟复杂的多模态概率分布函数。
- FedPop：个性化联邦学习的贝叶斯方法
本文提出 FedPop 方法，将个性化联邦学习重新定义为种群建模范式，利用群体参数和随机效应解释数据异质性，并通过马尔科夫链蒙特卡洛方法引入新类联邦随机优化算法提供不确定性量化，从而满足新客户、小观测样本数据的实时学习需求。
- 使用深度生成模型估计格点场论中的热力学物 observables
本文展示应用深度生成机器学习模型于晶格场论中，可用于解决马尔可夫链蒙特卡罗方法面临问题的前途。特别地，我们展示了生成模型可用于估算自由能的绝对值，这与现有的基于 MCMC 的方法仅估算自由能差异有所不同。我们在二维 $\phi^4$ 理论中 - 针对马尔可夫链和过程蒙特卡罗的 Peskun-Tierney 排序：超越可逆情况
本文研究了一种当前或重新引起物理学和统计学关注的非可逆蒙特卡洛马尔可夫链和过程，开发了一种与可逆情景类似的比较结果，揭示了早期文献的一些猜想，并加强了一些早期结果。
- AMUSE: 面向语义链接数据的多语言问答语义解析
研究发现，多语言自然语言问答技术仍存在困难，我们提出了一种利用 DUDES 和 MCMC 方法建立模型的 QALD 管道，成功将自然语言问题转换为可执行的 SPARQL 查询，并且在英语、德语和西班牙语环境下进行了测试。
- 具有能量分布概率评估的深度有向生成模型
本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。
- 马可夫链蒙特卡洛的显式误差界
本文研究了马尔科夫链蒙特卡罗方法的误差边界问题，针对不同类型的马尔科夫链给出了相应的上下界，同时提供了选择转化期的配方，并将误差边界应用于积分和概率计算。
- 马尔可夫链蒙特卡罗用于扩散精确推断
本文介绍精确的马尔可夫链蒙特卡洛方法，可以应用于离散采样、直接和间接观察扩散过程。其中的方法可以模拟目前最普遍的精确模拟算法，并包括改进性能的方法。通过理论和实际对比，我们发现与当前最先进的方法相比，效果更好，而且一些指标有着有趣的联系。
- 顺序蒙特卡罗采样器
本文介绍了如何使用顺序蒙特卡罗方法来执行通常使用马尔可夫链蒙特卡罗方法完成的任务，从而导致一般类别的基于交互粒子系统的合理集成和遗传类型优化方法。