- 基于概率模型的逆合成规划
本文提出了一种简洁的概率模型，用于描述合成规划中的不确定性，基于该模型，我们提出了一种名为 retro-prob 的新的合成规划算法，通过利用导数的链式法则实现了高效性，实验表明 retro-prob 在速度和合成方案质量方面优于之前的算法 - CVPRF$^3$Loc：地板布局定位的融合与过滤
我们提出了一种高效的数据驱动的解决方案，用于楼层平面图的自我定位。该方法不需要每张地图和位置的重新训练，也不需要大量图片数据库。我们提出了一个由观测模块和新型时间滤波模块组成的新颖概率模型。我们的方法适用于传统消费硬件，并克服了其他方法常常 - 基于概率单纯形上的统计建模实现的精确保持校准
基于深度神经网络 (DNNs) 的分类模型必须进行校准来评估预测的可靠性。我们提出了一种使用概率模型对概率单纯形进行校准的方法，该方法可以保留预训练模型的准确性，并在准确性保持校准任务中胜过先前的方法。
- DiffusionNOCS：管理 Sim2Real 多模式类别层面姿态估计中的对称性和不确定性
通过引入概率模型和扩散方法，该研究提出了一种能够解决类别级别姿态估计问题的方法，并通过测试在真实数据集上展示了该方法的有效性和出色的泛化能力。
- 基于贝叶斯优化的可持续工艺系统灵活高效设计框架
贝叶斯优化是一种强大的技术，可用于优化噪声大、昂贵难评估的黑箱函数，在科学、工程、经济、制造等领域具有广泛的实际应用。本文概述了贝叶斯优化在下一代过程系统设计中的最新进展、挑战和机遇，并介绍了如何利用高级贝叶斯优化方法更有效地解决这些应用中 - AAAIDiffusionEdge: 弥散概率模型用于清晰边缘检测
使用扩散模型的编码器 - 解码器结构进行边缘检测，通过在潜空间中应用扩散概率模型进行数据去噪，并采用特定频率的自适应傅里叶滤波器调整潜在特征，最终实现稳定训练并预测准确清晰的边缘图。
- 基于参数束缚的贝叶斯知识追踪
这篇论文通过基本数学概念推导出了一种限制 Bayesian Knowledge Tracing 参数空间的方法，并引入了一个新的算法来估计参数。
- 加速全球局部解释的聚合
对 Anchor 算法进行加速计算和降低偏见的概率模型
- 不受帧序约束的手语识别：阿根廷手语的概念验证
该研究探讨了自动手语识别的问题，提出了一种基于概率模型的手语分类方法，通过对具有 64 个类别和 3200 个样本的阿根廷手语数据集进行测试，证实了可以实现不考虑顺序的识别，并取得了 97% 的准确率。
- DiffAR: 去噪扩散自回归模型用于原始语音波形生成
本文提出了一种基于扩散的概率端到端模型，用于生成原始语音波形，该模型通过自回归的方式顺序生成重叠帧，可以实现无限语音时长的合成，并保持高保真度和时间连贯性，通过直接处理波形具有优势，可以创建局部声学行为，同时该模型是随机的，生成略有差异的波 - 特征域中的数据冗余的概率模型
采用概率模型估计大数据集中无相关特征的数量，该模型考虑了特征之间的两两相关性和多个特征之间的相互依赖性，并使用概率方法得出了低相关性和低多重共线性特征集的数量的上下界，我们还证明了互相好的受限集的一个独立的有趣结果。
- 实时学习生成并修复语言
在这篇论文中，我们使用先前学习的动态句法语法和 CHILDES 语料库开发、训练和评估了一个概率模型，该模型用于增量生成，其中模型的输入是纯语义生成目标概念（TTR）。我们证明了该模型的输出与黄金候选项的准确匹配率为 78％，ROUGE-l - 建模深度贝叶斯图网络中的边特征
我们扩展了上下文图马尔可夫模型，采用深度且概率的机器学习模型来建模边特征的分布。我们在架构上进行了改进，将边特征映射成离散状态的贝叶斯网络，并用于原始模型。通过这样做，即使在没有边特征的情况下，我们也能构建更丰富的图表示，通过在标准图分类基 - 具有一般观测模型的不安宁赌博机的 PCL - 可索引性和 Whittle 指数
通过建立一般的概率模型，我们考虑了一种对无休止多臂赌博问题的观测模型。我们将该问题建模为一个拥有可数信念状态空间的无休止赌博问题，并应用了可实现区域方法和部分守恒定律分析其可索引性和优先指数（Whittle 指数）。最后，我们提出了一个近似 - 二元优化的蒙特卡罗策略梯度方法
通过使用概率模型和 Markov Chain Monte Carlo 技术，基于参数化的策略分布，对二进制优化问题进行近似优化，本文同时提出了一种滤波方案来扩展函数的景观，并证明了策略梯度法的期望收敛性。
- 是否折叠：用图正则化张量列车完成视觉数据
本文提出了一种基于图信息采用张量列车 (Tensor Train) 表示的方法，以完全保留原始视觉数据的局部信息，使用广义逆高斯 (GIG) 先验构建了一个稀疏促进概率模型，并在均场近似下推导了一个推理算法，实验结果表明该方法优越于传统方法 - Diff-TTSG: 去噪概率综合语音和手势合成
本文介绍了第一个联合学习合成语音和手势的扩散式概率模型 Diff-TTSG，并提供了多种单模态和多模态主观测试来评估系统，结果表明本方法能够在小数据集上进行训练，同时提高了合成质量。
- 基于扩散的生成模型的更快非渐进收敛探索
该研究发展了一套用于理解离散时间下扩散模型数据生成过程的非渐进理论，对于一种常见的确定性采样方法，该理论建立了一个与步骤总数 $T$ 成反比例的收敛速率，对于另一种主流随机采样方法，该理论得出了一个与步骤总数 $T$ 的平方根成反比例的收敛 - Metropolis-Hastings 微分优化难以计算的密度函数
本文提出了一种用于无偏区别 Metropolis-Hastings 采样器的方法，使得我们能够通过概率推理进行不可行目标密度的优化，该方法通过融合随机区分的最新进展和马尔可夫链耦合方案，可以使该过程无偏、低方差和自动化，然后将其应用于期望为 - 深度网络黑匣子中的彩虹
引入彩虹网络作为训练的深度神经网络的概率模型，通过学习随机特征图的权重分布，并假设不同层之间的权重依赖被缩减为使输入激活对齐的旋转，介绍了其在 ImageNet 数据集上的验证和 Gaussian 权重分布的 Rainbow 网络的验证。