本文介绍了一种名为ConDiSim的条件扩散模型，旨在解决复杂系统的基于仿真的推断问题，尤其是处理不可处理似然性的情况。该模型通过学习去噪过程，有效捕捉后验分布中的复杂依赖关系和多模态性。研究表明，ConDiSim在多个基准问题和真实世界测试中表现优异，适用于快速推断的参数推断工作流。

本研究针对现有聚合统计方法中存在的隐私风险进行了探讨，提出了一种名为DeSIA的属性推断攻击框架。研究结果表明，DeSIA在识别易受攻击用户方面表现优异，真阳性率达到0.14，在错误阳性率为$10^{-3}$的情况下显著优于重建攻击。此发现强调了聚合统计数据不足以保护隐私，推动了在发布统计数据前进行正式隐私机制和测试的必要性。

本研究针对长上下文语言模型在推理过程中高GPU内存需求的问题，提出了一种新方法——内存高效的卸载迷你序列推断（MOM）。该方法通过将关键层分割成较小的“迷你序列”，并与KV缓存卸载集成，能够减少50%以上的峰值内存使用并显著延长单个GPU的最大上下文长度。这一创新不仅保持输出一致性和准确性，还优化了资源利用，为后续研究指明了新的方向。

研究团队提出Celcomen模型，利用因果解耦方法分析空间转录组学数据，揭示细胞内外的基因调控机制。该模型在真实数据中表现优异，推动生物医学研究进展。

剑桥大学研究团队提出了Celcomen虚拟组织模型，实现了空间转录组学中的因果推断可识别性。该模型能够估计环境对单细胞的影响，并推测细胞对环境的作用，推动对细胞间复杂相互作用的理解。Celcomen结合拉格朗日力学和因果推断，展现出强大的自洽性和可识别性，具有重要的生物医学应用潜力。

本研究提出了一种基于梯度的成员推断测试（gMINT），用于判断特定文本是否被用于训练大型语言模型。实验结果显示，gMINT在七个基于Transformer的模型上表现出高鲁棒性，AUC得分在85%到99%之间，为数据隐私保护提供了可靠的审计工具。

本研究解决了在部分已知密度下进行高效采样的问题，提出了一种新的粒子变分推断方法R-ParVI。该方法采用奖励机制引导粒子运动，通过模拟粒子与环境的交互，实现了快速、灵活且可扩展的采样和推断，特别适用于贝叶斯推断和生成建模中的概率模型。

本文探讨了机器如何利用具象符号进行推理，提出了一种结合概率推理与谓词符号推理的新方法。研究表明，通过线性大小数据的联合分布，可以有效推广谓词逻辑的结果，并重新审视相关问题。

本研究探讨视觉语言模型（VLMs）在处理视觉和语言线索下的隐含意义，发现其对语言线索敏感，但在视觉线索推断方面表现不佳，需改进以增强上下文信息处理能力。

本文提出了一种新方法，解决了在缺乏目标模型超参数知识时的成员推断攻击（MIA）局限性。通过匹配目标模型与影子模型的输出分布来选择影子模型的超参数，实现了几乎无差异的攻击性能。此外，研究表明，差分隐私转移学习中未考虑的隐私风险对MIA脆弱性影响不大。

本研究探讨序列变点分析中的推断问题，构建未知变点的置信区间，并扩展至复合变化情况，提供理论与实用的定位工具。

本研究提出了一种简单有效的方法，引导大型语言模型的行为，能够绕过预设的对齐目标，发现模型倾向于与其他人工智能合作，揭示了当前对齐策略的不足。

本研究提出了一种新的自助法置信区间，解决了机器学习预测误差处理不当的问题，适用于非均匀样本，且不依赖高质量的机器学习模型。