- 可控的自回归语言生成
本文提出了一种名为 GeLaTo 的方法，使用可解释的概率模型来强制进行文本生成中的词汇约束，通过使用精简的隐性马尔可夫模型控制 Generative Pre-trained Transformer 2（GPT2）的自回归生成，GeLaTo - AAAI概率电路公平性认证
本文提出了一种搜索疑似算法不公平因素的算法，不同于以往对于完整信息的处理，这个算法考虑了预测时的部分观测条件以及机器学习模型可能出现的疑似偏见，并引入了概率电路的概念，同时提供了一种基于抽样的方法来更有效地挖掘疑似偏见。
- AAAI残差卷积神经网络中的分类拟合模式揭示
本文探讨了使用概率模型分析神经表示的方法，揭示了深度残差网络对类别的拟合存在两种不同的分布模式，这种结构与训练样例的记忆化和对抗性鲁棒性的相关性有关，并通过比较神经表示的类别条件分布，揭示了类标签在网络结构中的出现位置。
- 深度概率模型中的图像隐藏
使用深度概率模型，将秘密图像隐藏在某个空间中，生成随机噪声图来使秘密图像难以被检测，实现了多图像隐写和增强模型安全性。
- 可处理概率模型的连续混合
本文提出了一种混合模型方法，将连续潜在空间的概率模型与可计算的概率电路相结合，用于密度估计，通过实验证明这种方法在许多标准密度估计基准测试中超越了以往的可计算模型。
- 基于心理学的思路链引导大型语言模型理解隐喻
本文使用思维导向提示将概率模型结构引入了大型语言模型的上下文学习中，以推断潜在变量并选择合适的隐喻释义，从而改进了模型的模仿能力。
- ICML语言模型级联
通过利用概率编程技术以及组合多个模型，并在测试中反复交互，我们提出了一种基于语言模型层级结构的模型组合方法，以实现对复杂数据类型（如字符串）的快速学习和推理。
- 在上下文无关文法约束下的隐藏马尔可夫模型中的边际推理查询
本文提出了一种计算隐马尔可夫模型中上下文无关文法概率的算法，解决了计算一类非二义性上下文无关文法概率的问题，并提出了一种可用于多项式绑定的二义性上下文无关文法概率的随机多项式算法。
- 如何在联邦学习中结合变分贝叶斯网络
该研究旨在探讨如何在联邦学习中结合变分贝叶斯网络，为不同聚合设置提供基准，并从三个图像分类数据集的实证结果中观察聚合分布的扩展程度对学习过程的影响。
- 基于梯度的可解释的可计数因果解释方法，使用可管理的概率模型
本文提出用基于概率模型的渐变计算来解决机器学习模型中反事实样例解释的问题，并通过实验证据证明该方法的优越性。
- 名词转动词：概率框架语义下的词类转换
本文基于概率论的框架语义，提出了一种名词转动词的语言创造性计算形式，并通过多种语音实验验证了其优越性及可行性。
- 通过区分概率程序设计感知难题
使用可微分的概率编程语言，基于概率模型生成对人类视觉感知颜色恒定性、大小恒定性和面部识别的新视觉错觉。
- 无监督标签描述排名和聚合用于零样本分类器
本文提出了一种基于标签描述的零样本文本分类器，其使用概率模型来在无监督的情况下选择最佳标签描述，并在情感、话题和立场等方面的各种数据集和任务上进行了评估，展示了多个标签描述的聚合可以提高性能。
- 关于马尔科夫逻辑网络中的可投影性
该论文研究了马尔可夫逻辑网络及其特征，提出了一种基于 projectivity 的模型 ——relational block model (RBM), 并证明了它是在二元片段中最佳 projective MLN，并且可以对采样数据进行一致的 - 神经文本生成器的解码策略
该研究对语言生成任务和解码策略之间的相互作用进行了全面分析，测量了生成文本属性随着解码策略和任务的变化情况，并使用人工和自动评估发现了之前观察到的和令人惊讶的结果，如语言生成中的多样性与质量之间的平衡是非常特定于任务的，而模式搜索方法如光束 - 加速随机概率推断
本文提出了一种基于二阶方法的随机变分推断方法，通过求解变分目标函数的 Hessian 矩阵，选择了两种数值方案来实现这种方法，通过合成和真实数据的实证评估，证实了这种方法的有效性和效率。
- WWW异构目标的一类协同过滤共识学习
这篇文章介绍了一个名为 ConCF 的新型 OCCF 框架，它利用不同的学习目标和概率模型，生成一个更具通用性的模型，通过构建多分支变体和引入辅助头部来达成共识，并通过协同进化提高了模型的泛化性能。
- AAAI有效可靠的结构化输出概率交互学习
本文研究基于交互式的学习方式，探讨以 active learning 和 skeptical learning 为主要方向的标签未知和标签噪音的情况下，采用确保可靠和高效运算的具有表现力的概率模型来衡量不确定性，在此条件下，我们研究认证了一 - AAAI针对不确定性评估的多样、全球化和摊销因果解释
本研究提出了三种新方法（delta-CLUE，nabla-CLUE 和 GLAM-CLUE），以解决现有方法（CLUE）存在的一些问题，例如冗余解释和处理不同类型的不确定性输入，从而更好地解释不确定性估计。
- IJCAI考虑可交换性的求和 - 乘积网络
该论文提出了一种新的概率模型，称为 Exchangeability-Aware Sum-Product Networks (XSPNs)，它结合了 Sum-Product Networks 和 mixtures of exchangeabl