研究发现，生成模型在合成数据上反复训练会导致崩溃，这是一种不可避免的统计现象。通过核密度估计和多次抽样，提出了理论解释。

本文介绍了核密度估计及其在置信区间、几何/拓扑特征方面的新进展，讨论了KDE属性、收敛速率、密度导数估计和带宽选择等内容，介绍了置信区间/带的构造方法和处理偏差的方法。最后，讨论了最近使用KDE推断密度函数的几何和拓扑特征的进展，以及用KDE估计累积分布函数和接收操作特征曲线的方法。

本文介绍了一种新的非参数密度估计方法，基于正则化密度的Sobolev范数。该方法与核密度估计不同，能够清晰解释模型的偏差。优化问题是非凸的，标准梯度法性能不佳，但适当的初始化和使用自然梯度可以得到良好的解。该方法在ADBench基准套件上评估结果显示，排名第二，超过15种算法。

介绍了一种新的核密度估计方法，通过引入边界约束条件，得到了一种非自伴扩散过程和非可分广义特征函数的展开，并通过统一变换法对其进行了严格分析，具有更高的准确率和更快的速度，并且在生物学上的应用。同时，演示了如何建立满足目标函数的边界条件的统计估计。

本文提出了一种自适应的核密度估计模型，用于电力系统概率建模。该模型通过分配可学习的权重给核心实现性能改进，并使用修正的期望最大化算法加快优化速度。与高斯混合模型相比，该模型表现良好。