Shumailov等人（2024）的研究表明，反复在合成数据上训练生成模型会导致模型崩溃。通过核密度估计法进行数据分布拟合和多次抽样，研究提供了对这一现象的理论理解，指出模型崩溃是不可避免的统计现象。

本文探讨了利用强化学习和核密度估计优化量子近似优化算法（QAOA）的两种基于机器学习的方法。研究表明，这些方法在较大问题实例中显著提高了优化效果，减少了优化度缺口。同时，文章讨论了量子计算在强化学习中的应用潜力及面临的挑战。

本文探讨了多种基于图像的地理定位方法，包括结合深度图像分类与核密度估计的技术、GeoCLIP、TransLocator 和 Text2Loc 等。这些方法在定位准确性和数据需求上优于传统技术，尤其在有限数据情况下表现突出。此外，混合分类-检索方案和基于大型语言模型的定位任务也展现出良好性能。

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。