- 概率密度函数的中心度估计器
该研究报告探讨了数据选择问题，旨在构建一族最大化中心性的估计器。这个估计器家族具有一些我们定义的准则下的准确和稳健的概率密度函数拟合性质。我们建立了中心性估计器与最大似然之间的联系，说明了后者是其中的一个特例。因此，提供了费舍尔最大似然的一 - 基于 Transformer 的统计参数估计
基于 Transformer 的方法在参数估计中能够无需数学推导、密闭解、或概率密度函数，仅需单次推断即可根据样本观测值估计潜在分布的参数，与最大似然估计相比在常用分布上达到更高的精确度。
- 基于样条拟合的经验密度估计及其在 Copulas 聚类建模中的应用
使用样条准插值方法对密度进行单变量逼近，并将其应用于聚类建模；通过构建适当的多变量分布来实现聚类分区模型，并使用 copula 函数来捕捉数据特征间的依赖关系，提出了有限混合 copula 模型；在人工数据集和实际数据集上验证了提出的算法。
- 多元贝塔混合模型：具有灵活聚类形状的概率聚类
该论文介绍了一种新的概率模型，多元贝塔混合模型（MBMM），它适应了不同的聚类形状，因为其多元贝塔分布具有灵活的概率密度函数。我们介绍了 MBMM 的特性，描述了参数学习过程，并展示了实验结果，表明 MBMM 适用于合成和真实数据集上的不同 - 一类非线性动力系统的基于物理的解决方案评估研究中的静态傅克 - 普朗克方程
通过物理信息神经网络（PINN）框架，解决一类非线性随机动力学系统的 Fokker-Planck 方程，通过 Duffing、Van der Pol 和 Duffing-Van der Pol 振子的几个示例评估 PINN 在预测 PDF、 - 贝叶斯紧张样条估计模数
本研究提出了一种基于核估计器和简捷组成样条的方法，通过贝叶斯推理范式实现特征探索、模型选择和模态测试，从而提高概率密度函数的预测精度与模型解释性，在体育分析等领域得到展示，并得到了充分的模拟实验验证。
- ICLRC-Learning: 通过递归分类实现目标的学习
探究了预测和控制自主智能体未来状态分布的问题，提出通过训练分类器间接地估计条件概率密度函数来解决，进而探究了基于 Q-learning 的目标条件强化学习方法的理论基础和假设，并且提出了可以预测新政策未来状态分布的算法。
- ICCV在概率轨迹预测背景下分析多样性丢失
研究了在自治驾车和机器人规划中，交通代理的轨迹或行为预测的概率生成问题，并应用了多种解决方案提高了概率密度函数的对数似然度。
- 可解释深度学习方法预测剩余寿命：基于变分贝叶斯推断
提出了一种结构效应神经网络，通过估计机器学习和概率密度函数的混合模型的参数，预测了设备的剩余寿命，并证明了这种方法在预测性能和可解释性方面更为优越。
- DeepMarks：一个用于深度神经网络数字指纹技术的框架
DeepMarks 是一个用于在深度学习模型中进行指纹识别的全新框架，可嵌入唯一指纹以识别不受欢迎的使用。该框架利用现代深度学习模型中可用的额外能力，将指纹嵌入可训练权重的概率密度函数中，具有针对指纹串通以及网络转换攻击的鲁棒性。
- Langevin Monte Carlo 与不准确梯度的用户友好保证
本文研究了从已知平滑和强对数凹概率密度函数中采样的方法， 分析了基于过渡态随机游走的近似采样方法，并提出了几种保证误差的方法， 包括第一阶 Langevin Monte Carlo 算法的误差上界、误差上界和梯度评估不准确的情况， 以及二阶 - 从概率性功能程序中推导概率密度函数
本文研究如何编译具有失效、离散和连续分布的概率编程语言，并证明其正确性。通过使用标准的马尔可夫链蒙特卡罗框架对全球碳循环进行建模解决推理问题，表明本编译器大大减少了领域专家的开发工作量。
- 迭代高斯化：从 ICA 到随机旋转
本研究提出了一种基于旋转的迭代高斯化变换（RBIG）的解决方案，利用一系列不同的可微分高斯化变换对未知的概率密度函数进行了估计，实现了多维度问题的 PDF 估计。
- 逆密尔斯比率及其导数的精确界限
本文研究逆米尔斯比的精确界限和高阶导数的对数精确界限，并提出了非渐近版本的稳态相位法。
- 通过局部高斯近似估计互信息
提出了一种新的半参数估计互信息的方法，该方法使用高斯分布来局部逼近密度函数，与其他基准方法相比具有更好的性能，并能准确地测量许多数量级上的关系强度。
- 非负无偏估计
研究了生成几乎肯定非负无偏估计器的算法的存在性，讨论了这些结果对伪边缘蒙特卡洛算法的适用性以及在难以处理的模型中进行精确推理的可能性的影响，并用一些特定的函数的选择举例说明了我们的研究。
- 超高维回归的广义基准推断
研究在稀疏假设下，用广义基准法进行不确定性量化的超高维线性回归问题，提出了概率密度函数构建方法，参数置信区间计算方法，验证了其严格的渐进频率性质，并通过仿真实验和实际数据的应用进行了实证表现，同时是将费舍尔基准方法应用于 “大 p 小 n” - 单位区间核密度估计的 Probit 变换
本文研究如何解决概率密度函数在区间上的边界偏差问题，提出了将变量转换为无约束支持的变量，再通过反变换等方式进行密度估计的方法，并利用本地似然密度估计和交叉验证带宽选择规则，成功获得了较好的密度估计效果，并将其应用于非标准形态密度的估计。