- 无限时间段折现决策过程的汤普森抽样
我们通过建立一个马尔可夫决策过程模型，研究一种名为汤普森采样的采样算法的渐近行为。我们展示了标准（期望）遗憾可能呈超线性增长，并且不能很好地捕捉到在具有非平凡状态演进的现实情况下的学习概念。通过分解标准（期望）遗憾，我们提出了一种新的指标， - 多尺度并行变温快速采样的选区规划
审计选区规划中的一个有说服力的方法是将该方案与一组中立绘制的选区计划进行比较，这些集合是通过在平衡的图分割上采样分布的算法生成的。我们生成了一种多尺度并行退火方法，在每个尺度上进行局部移动，该方法允许采用多种基于政策的衡量标准。我们在康涅狄 - 使用马尔可夫链蒙特卡洛从大型语言模型中恢复心智表征
使用大型语言模型（LLMs）作为抽样算法的元素，可以有效地研究 LLMs 的心理表征。我们通过使用 Direct Sampling 和 Markov chain Monte Carlo（MCMC）基于自适应抽样算法，实现了高效和高性能的心理 - 图信号处理中的采样和唯一性集合
我们研究了利用图测度和图极限理论来研究大型图的采样集的特性。我们将可移除集合和唯一性集合的概念扩展到图测度上，并给出了一些条件，当从图测度的可移除集合的补集中获取样本时，带宽限制的图测度信号可以以唯一的方式表示。我们利用这些结果，将图测度上 - 探索面部变形的扩散自编码器设计空间
使用扩散自动编码器创建的面部变形是一项新兴技术，本研究探索了设计空间的三个方面，即：采样算法、逆向 DDIM 求解器和通过少量噪声进行部分采样。
- 扩散模型采样的改进序分析和指数积分器设计
通过重新评估高阶微分求解器设计，揭示现有高阶指数积分器求解器的退化源于关键的阶次条件的缺失，并结合指数积分器理论，提出满足所有阶次条件的改进指数积分求解器，即细化指数求解器（RES），利用这些改进的求解器，RES 在理论上具有更有利的误差上 - MM三维物体检测算法快速原型设计的子集选择方法的比较研究
本文介绍了三种选取子集的算法（random sampling、random per class sampling 和提出的 MONSPeC），实验证明后两种算法在目标检测中的有效性更高。
- 改善生成过程的重启采样
提出了一种名为 Enhanced Langevin Diffusion with Restart 的采样算法，它通过在每次迭代中添加噪声并严格遵循反向 ODE 交替操作，以在速度和质量之间更好地平衡差异。实验表明，Restart 采样器在速 - 待机蒸馏：训练一次即可加速抽样
为了解决 Diffusion Probability Models 生成样本所需的采样步骤大量增加的问题，文章提出了一种基于 Catch-Up Distillation (CUD) 的算法，通过多步对齐蒙古采样输出来实现精确 ODE 估计， - 扩散模型实现实际噪声抑制
本文介绍了一种基于扩散模型的新型通用去噪扩散模型，采用线性插值进行扩散，中间的噪声图像从原始的清晰图像和相应的真实噪声图像进行插值，使得该扩散模型可以处理添加噪声的级别，并且提出了两种采样算法，实验证明该模型在真实去噪基准测试中表现良好。
- 改进的并行温度淬火混合时间界限
本文提出了对于并行淬火算法中的谱缝隙有多项式相关联的一个新的下限，从而改善了现有基于模数总数的指数上限.
- 增强事实性的语言模型用于开放式文本生成
本研究针对大规模预训练的语言模型，设计测试集和度量标准以提高生成文本的事实准确性，提出了基于主题前缀和句子补全的事实增强训练方法，并提出了更适合提高准确性的采样算法。
- ACL开放式语言生成抽样算法的系统特性描述
本研究采用了质量 - 多样性 (Q-D) 折衷方法来研究三种普遍采用的祖先采样算法 (top-k、nucleus 和 tempered sampling) 在无端语言生成任务中的表现，我们证明了现有的采样算法在性能上有相似之处，鉴于此，我们 - 用赌徒采样训练图神经网络
本文提出了一种将采样方差优化视为对手赌博问题，以加速图卷积网络和图注意力网络等图神经网络的训练的方法，并在多个数据集上展示了其有效性和高效性。
- 能量启发模型：采样引导分布学习
本文研究通过最大化随机抽样分布的似然函数从而获得一类能量启发式模型，这些模型包含了学习能量函数并提供精确样本和可计算的对数似然下界。同时，这些模型对比了不同的随机抽样算法并提供了对噪声对比估计和对比预测编码排名的新见解。
- 随机龙格 - 库塔加速 Langevin Monte Carlo 等算法
本文研究了基于分 discretizing 类 - Wasserstein 倍数收缩的平滑随机微分取样算法，着重研究了用随机 Runge-Kutta 方法离散过度阻尼 Langevin 方程的取样算法，并表明其迭代次数可达到目标分布的 $2 - ICML概率编程中的离散连续混合：广义语义和推断算法
本篇研究开发了概率编程语言（PPLs）的度量叙事贝叶斯网络（MTBNs）的概念，并使用它来提供更多的语义，包括有限的支持组合离散和连续元素的随机变量。最终将 MTBNs 集成到广泛使用的概率编程语言系统 BLOG 中，并通过代表性的算例验证 - KDD具有保证的模式挖掘灵活约束取样
Flexics 是第一款灵活的模式采样器，支持多种质量度量和约束条件，并提供强大的采样准确性保证，可用于各种模式语言，包括模式集采样，实验结果表明 Flexics 既准确又高效。
- IJCAI利用抽样估算选举的胜利边界
本文提出了基于采样的方法来估算选举胜利的边际差，并研究了许多流行的投票规则。
- GPS-ABC: 高斯过程代理近似贝叶斯计算
本研究开发了两种新的适应性 ABC 抽样算法，可显著减少后验推断所需的模拟数量，并且在真实的生物问题实验中得到了有效的验证。