- Lag-Llama: 面向时间序列预测的基础模型
构建时间序列预测的基础模型并研究其缩放行为，我们提出了 Lag-Llama，这是一个通用的单变量概率时间序列预测模型，它是在大量时间序列数据上训练而成的。该模型表现出了良好的零样本预测能力，在未见过的 “超出分布范围” 的时间序列数据上优于 - FG-NeRF: 基于 Flow-GAN 的概率性神经辐射场用于独立假设无关的不确定性估计
利用 Flow-GAN 提出了一种无独立性假设的概率神经辐射场模型，通过结合对抗学习的生成能力和正则化流的强大表达能力，显式地建模整个场景的密度 - 辐射分布，实现了最先进的性能，并在合成和真实数据集上预测更低的渲染误差和更可靠的不确定性。
- 自主材料研究的概率相位标记和晶格精化
结晶位移提供了一种高效的算法，利用对称约束伪交效优化，最佳优先搜索，贝叶斯模型比较等方法，无需阶段空间信息或训练即可估计相位组合的概率，并提供材料结构参数的定量洞察，最终加速材料识别和发现。
- 随机线性分类器的概率不变学习
通过利用随机性设计的随机线性分类器 (RLCs) 类别的二元分类模型，可以在使用较少资源的同时近似任何 (光滑的) 函数并保持对紧凑群转换的不变性。
- 一种受魔方启发的 Clifford 合成方法
本文研究了 Clifford 综合问题，提出了一种机器学习方法来解决该问题，该方法可适用于不同的门集、设备拓扑和门保真度，并可得到更少的门。
- 深高斯混合集合
本文介绍了一种新颖的概率深度学习技术 —— 深高斯混合集成（DGMEs），它能够准确量化认知不确定性和 Aleatoric 不确定性，通过假设数据生成过程遵循高斯混合的模型，DGMEs 能够逼近复杂的概率分布。实验结果表明，DGMEs 在处 - 统计关系学习和神经符号人工智能：一阶逻辑提供了什么？
本文旨在以非技术的方式简要概述并表达使用（一阶）逻辑来表示（概率）知识的逻辑和哲学基础。
- ACLHexatagging: 投影依存句法分析作为标记化
本文介绍了一种新的依赖性分析器：Hexatagger，通过标记句子中的单词，并使用可能标记的有限集合来构建依赖关系树。我们的方法是完全可并行化的，并获得了 96.4 LAS 和 97.4 UAS 的最新性能。同时，我们的解析器的线性时间复杂 - ICML元模调制：学习变分特征层次结构，用于更少任务的少样本学习
本文提出了一种名为 MetaModulation 的方法，在元训练过程中使用神经网络调制批量归一化参数，以提高元训练任务的密度，并通过改变不同层面的参数来增加任务的多样性，同时提出了利用变分 MetaModulation 学习变分特征层级的 - 情感人工智能的量子操作
本文分析了模拟人类情感决策过程应该基于的人工智能基本原理，比较了基于量子理论与经典术语的两种方法。虽然认知过程与量子测量具有许多形式类似的特征，但模拟人类决策过程时，情感人工智能没有必要依赖于量子系统的功能。情感人工智能的运作避免了传统决策 - 自适应概率信赖约束下的连续高维信念空间规划
研究了基于信念空间规划的在线决策问题，在信息收集等场景下，介绍了一种自适应的方法来寻求最大可行回报，应用这种方法可以在保证准确率的前提下显著加速在线决策过程，并进行了大量现实模拟来验证此方法的优越性。
- 使用三维 U-Nets 和 EarthFormers 从卫星数据中进行超分辨率的降雨概率预测
使用 3D U-Nets 和 EarthFormers 基于多波段卫星图像对未来 8 小时的降雨进行了概率预测，并通过多模型协商和阈值优化获得了最终结果，最佳的卫星波段预测雨情的表征是云顶相位和云顶高度波段，是一项优化的模型方法。
- 具备群体公平性和个体公平性约束的二分匹配
针对将物品分配至平台的匹配过程中的团体和个体公平约束，我们提出了一种概率个体公平的算法，通过计算一组公平匹配的分布，使每个物品有合理的匹配概率。该方法在确保团体公平的同时，可以提高个体公平度。
- 概率变分因果效应：因果推理的新理论
本文提出了一个新的因果框架，能够解决概率和非概率问题，引入了直接因果效应公式 PACE 及其变种，并提供了计算反事实因果的可辨识性标准，对观察研究进行了处理，与其他框架进行了比较。
- 利用 Wordle 进行学习，设计和比较策略
本文介绍了用概率、统计和信息理论的方法，设计参数化策略来处理 Wordle 等电脑游戏，并探索两个家族参数化策略用于解决 Wordle，并与基准解决方案进行比较得到的结果。
- 问题跟踪系统中的惊喜值是否具有可操作性？
本文提出了一种利用 surprisal 在软件库中检测异常事件的新方法。通过对 5000 个最热门的 GitHub 软件库的问题和拉请取内容进行分析并生成推理统计数据，分析这些 surprising events 并确定它们在软件库中的重要 - CVAE-H: 基于超网络和轨迹预测的条件化变分自编码器用于自动驾驶
本研究致力于解决无人驾驶中的预测难题，提出了一种概率化、多模态、上下文驱动和通用的条件变分自编码器。通过大量运用超网络，这种 VAE 能够执行高维问题的生成任务，并在各个环境中更加准确地预测道路情况。
- 使用深度生成模型进行降水熟练的即时预报
使用深度生成模型从雷达数据预测监测降水，可以提高预测值和操作效用，尤其在预测较强降雨事件方面表现优秀。
- 一种基于概率深度学习的自动化多相衍射谱解释方法
设计了一种基于深度学习和概率算法的新型自动合成无机材料的方法，可在高通量和自主发现无机材料的工作流程中使用，具有出色性能和准确度。
- 自主驾驶的概率三维多模态、多目标跟踪
通过融合 2D 图像与 3D LiDAR 点云的特征，学习度量，以及在无匹配目标检测时初始化跟踪，提出了一种概率、多模态、多对象跟踪系统，实现了比现有技术更鲁棒、数据驱动的多对象跟踪。