本研究解决了术前CT中内脏脂肪组织（VAT）分割的不足，尤其是由于观察者间变异性和缺乏真实标记的阻碍。文章提出了一种全自动的KEVS方法，结合深度学习语义分割与高斯核密度估计，能够在没有真实标记的情况下，实现更精准的VAT预测。研究结果表明，KEVS相比现有方法在Dice系数上提高了4.80%和6.02%，展示了其在减少观察者变异性方面的潜力。

本文提出了一种名为TarFlow的架构，旨在解决归一化流在生成建模中的不足。TarFlow在图像生成和密度估计任务中表现优异，其样本生成质量和多样性与扩散模型相当。

本研究解决了加权样本协方差谱在维度随样本数量增长时的非随机行为问题。提出了一种新的计算程序以寻找其谱密度和支持集，并设计了WeSpeR算法，有效地估计谱密度并检索真实谱协方差。实证测试表明WeSpeR算法具有良好的性能。

本文探讨了神经网络在处理超出训练数据分布的样本时的表现，提出了多种新方法来检测分布外和对抗性样本。这些方法在视觉分类和语音命令检测任务中优于传统技术，显著提高了检测准确性，并在多个基准测试中取得最佳结果。

本文提出了一种新的域自适应框架，利用统计流形的曲率黎曼几何，整合源域和目标域的几何与统计差异。介绍了多种生成模型和流动方法，如M-flows和Conformal Embedding Flows，以提高数据流形的学习和密度估计效果。最新方法在Riemannian流形上进行分布学习，显著提升推断速度和性能。

本文介绍了一种基于有序决策图（ODDs）的贝叶斯网络分类器推理方法，比较了不同的密度估计方法，并提出了公平性算法和新的结构学习算法LEAST，展示了其在多个应用中的有效性。同时，研究探讨了朴素贝叶斯分类器的改进及其在数据流分类中的表现。

本文介绍了一种基于判别式学习的无监督异常检测框架，结合自编码器和密度估计方法，显著提高了异常检测的准确性和鲁棒性。研究提出了AE-1SVM和DASVDD等新模型，展示了在不同数据集上的优越性能，推动了深度学习在异常检测领域的应用。

本文探讨了多种非参数密度估计方法在高维数据分析中的应用，包括双核条件密度估计器、深度密度模型和RACE算法。这些方法在处理高维数据时表现出显著的加速和压缩性能，并提出了新的估计器和算法，强调了在重尾污染情况下的鲁棒性和优化调整的必要性。

本文提出了一种基于神经网络的普适密度估计器——标准化流，扩展了其在非欧几里得空间的应用。通过在正常空间中添加噪声，改进了流形学习和密度估计，解决了体积变化问题，提高了样品质量和数据嵌入的可分性。此外，研究介绍了自正则化流和Riemannian连续正规化流模型，显著提升了模型的稳定性和表现。

本文探讨了深度神经网络中的贝叶斯参数估计，提出了一种新算法，表现优越且易于实现。研究涉及不确定性估计、生成模型和缺失值插补，展示了多种模型在分类和回归任务中的有效性和鲁棒性。

本文探讨了连续潜变量在生成模型中的应用，提出了概率积分电路（PICs）与概率电路（PCs）的结合，显著提升了高维数据集的性能。PICs在密度估计中超越了传统模型，展示了其在图像建模和复杂数据推理中的潜力。

使用 Winner-takes-all 学习算法进行条件密度估计，利用其几何特性优势，通过量化和密度估计实现了竞争力的结果。

使用条件分布估计方法生成混合类型表格数据的合成数据，并利用该方法进行数据合成与缺失数据填充实验。

基于样本数据，我们考虑使用某个组件类的有限混合密度来估计概率密度函数的问题，并引入 H - 提升 Kullback-Leibler（KL）散度作为标准 KL 散度的一种泛化和进行风险最小化的准则。在紧支持假设下，我们证明了使用 H - 提升 KL 散度时估计误差的期望具有 O (1/√n) 的上界，这扩展了 Rakhlin 等人（2005）和 Li 和...

提出了一个称为 MCNet 的地铁人群密度估计网络，它可以自动分类乘客的人群密度水平。该网络整合了多尺度注意（IMA）模块和轻量级人群纹理特征提取网络，通过处理视频帧并自动提取纹理特征来进行人群密度估计，适用于地铁视频监控中的人群密度估计问题。

本文提出了一种基于连续时间正规化流的生成模型，通过时间依赖密度的概率流推断速度场，可用于样本生成和密度估计，并建立最优传输映射。该方法简化了基于随机微分方程的方法，在图像生成等任务上表现出较理想的性能。