- 利用主动推断理解工具发现和工具创新
我们在这篇论文中阐述了工具的发现和创新的概念，并通过引入工具可供性的概念到代理的概率生成模型的隐藏状态中构建了一个玩具模型，以便通过适当的工具特性的离线归纳来发明工具，并讨论了这些初步结果的含义和未来研究方向。
- AAAI一个通用的离线强化学习框架用于交互推荐
该论文研究了在在线环境中无需探索的情况下，从已记录的反馈中学习互动推荐系统的问题，并提出了一种通用的离线强化学习框架用于推荐，可以通过最大化累积用户奖励来解决问题。为了更有效地进行离线学习，我们提出了五种方法来最小化记录策略和推荐策略之间的 - 基于部件的可控性三维点云生成和交叉扩散的 DiffFacto
本文提出一个能够通过对形状的部分进行建模来实现可控部分点云生成的新颖概率生成模型 DiffFacto，通过独立建模每个部分的样式和配置分布的分解方法，以及利用交叉扩散网络生成一致和合理的形状。实验证明该方法在多方面产生良好的效果，并可用于形 - 基于粒子滤波器信息增益的主动探索，用于高效空间概念形成
本文提出了一种结合粒子滤波和基于信息增益的主动探索的主动推理方法，名为空间概念形成（SpCoAE），用于在家庭环境中自主地学习空间概念。实验证明该方法可以高效地确定适当的位置，形成适当的空间概念，快速覆盖环境。
- 机器学习研究人员关于 OOD 检测的错误信念
本文提出了一个 OOD 代理框架，统一了许多最近提出的基于似然比的方法，并指出似然比是一种原则性的 OOD 检测方法，而不是简单的方法修正。此外，还讨论了领域区分和语义之间的关系。
- 脑启发式概率生成模型用于口语双关节分析
本研究基于多项神经科学调查结果，设计了一个基于概率生成模型的双关节语音分析假设模型，并探讨了它在人脑中的实现方式，为进一步探索大脑中双关节语音分析提供了重要的基础。
- 通过句法角色实现句子表示中的无监督内容解缠
本研究通过基于注意力的概率生成模型，建立了句子中不同句法角色的潜在变量之间的交互关系，并证明了在无监督情况下可以对句法角色进行拆分与控制，为无监督内容生成提供了一种有效的方法。
- 通过深度生成模型的 Metropolis-Hastings 命名游戏实现紧急通信
该研究探索了一种新的通过基于概率生成模型的命名游戏来实现分布式贝叶斯推断的符号产生系统，并提出了利用无监督学习的 Emergent communication 方式来改善代理人的表现。
- 多个噪声部分标注者中学习
本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对 3 个文本分类和 6 个对象分类任务的评估，证明了部分标注的效果可达到 8.6% 的平均准确率提高，进而探讨了部分标注在零样本对象分类任务 - ICLR弱监督分解学习中的示范学习
通过概率生成模型的优化问题，使用高容量神经网络进行可解释的演示学习任务，以高层次概念对其潜在变量进行对齐，并与末端用户标签进行比较，基于两个针对桌面机器人操作的任务（用海绵擦拭和容器之间的倾倒），验证了此方法。
- vGraph: 一种联合社区检测和节点表征学习的生成模型
本文提出了一种基于概率生成模型的方法 vGraph，用于协同地学习社区成员和节点表示，旨在发现图的全局和局部结构；实验表明 vGraph 在社区检测和节点表征学习方面的性能优于多个竞争基线。
- CVPR一种用于随机点过程的变分自编码模型
提出了一个名为 APP-VAE 的概率生成模型，使用潜在表达和非线性函数来描述操作序列中的可能性分布，通过在 MultiTHUMOS 和 Breakfast 数据集上的实证验证，证明了 APP-VAE 在建模操作序列方面的有效性。
- ICML一种新颖的变分自编码器及其在生成建模、分类和序数回归中的应用
文中提出了一种新的基于变分自编码器的概率生成模型，该模型使用新颖的方法确定潜在变量先验和强制序数单位，并用于有监督、无监督和半监督学习以及标称和序数分类，实验结果表明该模型在这两方面的分类任务中表现较优。
- 带有常曲率潜在流形的对抗自编码器
本文提出了 CCM-AAE，一种概率生成模型，用于以 CCM 作为嵌入空间，通过与定义在 CCM 上的概率分布匹配来训练编码器，使其隐式地学习在 CCM 上表示数据。实验结果表明，在多个任务中都优于基于欧几里得和非欧几里得几何的其他自编码器 - 无监督学习快速概率形变配准
本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。
- AAAI从轨迹中贝叶斯推断群体活动的递归序列
该研究提出了一种基于概率生成模型的方法，可以通过对个体轨迹的观察，推断多个时间粒度上的协调递归结构组活动的描述，并演示了该模型在多种复杂场景中的表达能力。
- MM医学语言嵌入的知识转移
该研究使用分布语义学将结构化知识图谱与非结构化文本相结合，利用概率生成模型预测医学概念之间的新关系，进一步证明该方法可用于医学领域的数据稀缺性问题。