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。

本文研究了扩散模型在神经密度估计中的应用，提出了一种无需求解流方程的对数密度计算方法。研究显示，训练参数对密度计算的准确性有显著影响，为扩散模型的扩展性和效率提供了新见解。

本研究分析了大语言模型在上下文中估计概率密度函数的能力，揭示其在低维InPCA空间中的学习动态。结果显示，LLaMA-2模型在密度估计方面的学习轨迹与传统方法不同，为理解其概率推理机制提供了新见解。

深度生成模型的密度估计存在偏差，分层变分自编码器提供了解释。设计了一种快速、可扩展且无监督的似然比分数用于ODD检测，获得最佳实验结果。

本文研究了存在重尾污染时，强鲁棒回归估计器的高维特性。结果显示，在存在重尾噪声时，优化调整的Huber损失与位置参数δ是次优的，需要进一步正则化以达到最佳性能。此外，对于有限二阶矩的噪声分布，岭回归是最佳的，但当协变量的二阶矩不存在时，其衰减速率可能更快。最后，该研究还可以推广到更丰富的模型和数据分布。

该研究比较了模仿学习和目标条件强化学习两种方式，并提出了一种基于概率长期动态和期望价值函数之间联系的方法。该方法利用密度估计的最新进展，能够有效学习达到指定状态的能力。研究结果显示，该方法在目标条件强化学习和模仿学习方面都表现出高效性和样本效率。

本文提出了一种基于先验学习的新方法，用于提高深度神经网络的泛化和不确定性估计。该方法利用可伸缩和结构化的神经网络后验作为具有泛化保证的信息先验，并在大规模上提供了具有表现力的概率表征。该方法还扩展到了连续学习的框架中，并展示了在不确定性估计和泛化方面的有效性。

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。

基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型，通过密度阈值实现检测，并在图像分类中表现出强大的远外分布数据检测结果，包括 ImageNet-1k 与纹理的 98.2% AUROC，超过现有技术 7.8%。我们还探讨了预训练模型的特征空间分布与我们方法性能之间的关联，并提供了应用正态流用于外分布检测时的训练陷阱。

通过引入Variance-Reduced Sketching (VRS)框架，提出了一种在高维度中估计密度函数和非参数回归函数的新方法。通过模拟实验和实际数据应用，证明了VRS方法在密度估计和非参数回归模型中相较于神经网络估计器和经典核方法的显著改进。VRS的理论证明支持其在降低维度灾难的同时提供非参数估计能力。