- 贝叶斯反演中的抽样策略：RTO 和 Langevin 方法的研究
本文研究两类求解逆问题的抽样方法，即基于敏感性分析的随机优化（RTO）和基于贝叶斯框架的朗格温方法。这两类方法对应于不同的假设，并从不同的目标分布中获得样本。我们强调了两种方法之间的主要概念和理论差异，并从实际角度通过处理图像的两个经典逆问 - 基于编码器的文本到图像个性化的 LCM-Lookahead
通过使用快速采样方法以及对编码器进行个性化训练，本研究探索了将快速采样方法用于文本到图像模型个性化，并通过预测身份目标让模型在保持多样性和对齐性的同时提高身份准确性的潜力。同时，研究还发现注意力共享机制和一致的数据生成对于编码器训练都有益处 - ACL关于最小贝叶斯风险解码真实分布逼近
使用异常检测来衡量最小贝叶斯风险解码的核心假设与性能之间的联系。
- 推导映射下的旅行采样
本研究以理论角度回顾和组织了多种采样方法，主要关注于在 “生成模型” 环境中产生与训练样本类似的新数据，通过揭示现有方法之间的联系，可能有助于克服扩散模型中的一些挑战，如因扩散模拟而导致的长推断时间或生成样本的多样性不足。
- FEC: 提升真实图像编辑一致性的三种无微调方法
文本条件图像编辑是一项非常有用且具有巨大潜力的任务。我们提出的 FEC 通过三种采样方法解决了重构失败的问题，从而实现了成功重构并提升了图像编辑任务的性能。
- 将高阶动力学和道路响应整合到有约束的基于 ILQR 的自主车辆轨迹规划中
这篇论文研究了自动乘客车辆的在路轨迹规划，包括采样方法和优化算法，特别关注车辆的安全和舒适性以及车道边界的遵循。
- 工程设计应用的合成数据集创建指南
本研究提出了用于生成、注释和验证合成数据集的全面指南，着重于感知数据集大小、多样性、实用性和现实性的方法。此外，还通过创造一个涡轮压缩机数据集来说明这些指南的实际应用中的重要性。
- 通过量子干涉实现无冲突联合采样以满足偏好
本研究探讨了几种采样方法，这些方法可收敛到启发式联合选择概率矩阵，满足玩家的偏好，从而显著降低了计算成本和保密性问题。特别地，我们通过光子的量子干涉介绍了两种无冲突联合抽样方法，第一个系统允许玩家在具有相同偏好时隐藏其选择，第二个系统则通过 - ECCV深度度量学习的密集锚定采样
本文提出了一种名为 Densely-Anchored Sampling (DAS) 方案来解决深度度量学习中的数据稀疏问题，该方案结合了 DFS 和 MTS 来产生更多的嵌入以促进采样过程，从而提高了 DML 的性能。
- BERTIN: 使用 Perplexity Sampling 高效预训练西班牙语言模型
本文研究了大型语言模型的预训练，提出了一种数据选择技术，名为困惑采样，可以在更少的时间和数据量下，通过变压器模型的预训练实现与最先进模型相当的效果。该技术对开发人员有很大帮助。
- KDD生成对抗网络的重参数采样
本文提出 REP-GAN，一种基于马尔可夫链重参数化的采样方法，能够在提高样本质量的同时大大提高采样效率。在合成和真实数据集上的广泛实验证实了 REP-GAN 的优越性。
- HOME: 未来动态估计热图输出
本文提出了 HOME 框架来解决动态预测问题，该方法通过图像输出表示代理人未来位置的概率分布，使用卷积神经网络与关注机制设计两种取样方法，无需重新训练，能够在多个模态下平衡优化折衷，将方法应用于 Argoverse 动态预测基准测试并在在线 - 基于最小方差的采样方法用于图神经网络的快速训练
本研究分析了现有采样方法中存在的方差问题，提出了一种基于梯度信息和嵌入逼近的解耦合方差缩减策略，该方法即使在更小的批量尺寸下也具有更快的收敛速度和更好的泛化效果。
- AAAI线性支持向量机的改进子采样随机哈达玛变换
本文中，我们通过分析在线性支持向量机分类的背景下使用 Subsampled Randomized Hadamard Transform (SRHT) 的效果，提出了重要性采样和确定性 top-r 采样，以产生有效的低维嵌入而不是均匀采样 S - 用于训练深而大的图卷积网络的层依赖重要性采样
本文针对训练大型图（large graph）时计算量和内存消耗高的问题，提出了一种新的采样算法（LADIES），相比于已有采样算法在时间和内存成本上有更好的表现，并且由于其随机性，具有比原始 full-batch GCN 更好的泛化精度。
- AAAICakewalk Sampling
利用鲁棒的学习算法，我们研究了如何适应任意目标函数的采样分布以寻找良好的局部最优解。我们的研究结果表明，我们的自适应采样器可以为实践中出现的组合优化问题提供有效的解决方案。
- CUSBoost: 基于聚类的欠采样和增强学习的不平衡分类
本文提出了 CUSBoost 算法，它是一种基于聚类和 AdaBoost 算法的欠采样方法，用于有效解决类别不平衡问题，实验结果表明，CUSBoost 是处理高度不平衡数据集的一个有前途的、有效的方法。
- 探索多维空间：拉丁超立方和准蒙特卡罗采样技术比较
比较三种采样方法的效率，并证明基于 Sobol 序列的准蒙特卡罗方法具有卓越的性能，适用于大多数复杂度的测试问题。
- KDD高效估计大型网络的基序统计量
本文提出了一种基于抽样的算法，有效地从大规模网络中准确估算子图统计量，并展示实验结果表明其能更加快速地完成与现行技术相同准确度的查询量（样本量）
- 多维随机游走估计和采样图
本文提出一种新的 $m$- 维随机游走采样方法，称为前沿采样，该方法在大规模实际网络图中表现出更低的估计误差，并且比随机顶点采样更适合采样图的度数分布尾部。