本研究提出了一种神经框架，解决了学习概率分布间条件最优运输映射的问题，能够处理分类和连续变量。通过超网络生成运输层参数，超越了传统方法，推动了条件最优运输的应用。

生成模型是深度学习的重要领域，影响着生活和研究。它通过自然语言与计算机互动，生成图像、视频等内容，并在科学问题中应用，如蛋白质设计和天气预测。现代生成模型包括变分自编码器、生成对抗网络和自回归模型，能够处理复杂的概率分布问题，为解决现实问题提供新的思路和工具。

本研究探讨了因果发现与推断中概率分布与图之间的忠实性问题，提出了不忠实概率分布的示例，并分析了其对因果推断方法的影响。

本研究提出了一种基于去噪扩散概率模型（DDPM）的视频摘要生成框架，旨在解决视频摘要中的注释不一致性问题。该方法通过概率分布生成摘要，有效降低主观噪声干扰，展现出优异的去噪能力和更强的泛化能力，实验结果验证了其有效性。

本研究提出了一种名为任务感知行为场（TAB-Fields）的方法，旨在解决自主代理在对抗场景中无法预测对手策略的问题。该方法通过计算最无偏概率分布，更好地表征对手状态分布，实验结果表明其性能优于传统方法。

本研究提出了一种噪声调度方法，解决了扩散过程中概率分布变化速率不恒定的问题，从而显著提升了扩散模型在图像生成中的性能。

我们分析了OPT家族的大型语言模型，发现早期网络稀疏，许多神经元未激活，活跃神经元主要关注离散特征。随着模型规模增大，稀疏性和死神经元增多，部分神经元的激活与位置关系密切。

本研究提出了一种新算法，在已知概率分布的情况下，以$O( frac{n}{ ext{ε} ext{log} n} ext{log}(1/ ext{ε}))$个样本更有效地测试支持大小，显著优于传统方法，推动相关领域的发展。

蒙特卡洛方法和变分推断在概率分布取样中很重要，但缺乏统一评估框架。研究引入基准，通过标准化任务和多种性能标准评估取样方法，并研究模式坍塌，提出新方法。结果揭示现有方法的优缺点，为未来发展提供参考。

本研究解决了系外行星数据集中质量测量的缺失值问题。通过比较五种机器学习算法，发现使用额外不完整数据时效果更好。提出的$k$NN$ imes$KDE算法能提供属性的概率分布，展现出高可信度和行星群体特征。

本研究提出了一种基于概率分布的新模型，解决了语言确定性表达校准过于简化的问题，显著提高了校准效果。

本文介绍了一种退火流（AF）模型，用于解决高维多模态分布采样问题。AF通过连续标准化流有效探索高维空间，确保样本和维度的线性复杂度。研究显示，AF在复杂分布和实际数据集上表现优异，能更准确估计概率分布的归一化常数和期望值。

研究分析了神经网络流形的数学框架，探讨其在计算、自由度和学习能力方面的特点。引入了神经网络学习空间和深度流形空间的概念，揭示了学习过程中的瓶颈。通过几何视角，研究了深度学习的关键在于数据流形结构和概率分布，并提出了优化潜在空间中概率分布的方法。分析表明，神经网络的可学习性与流形的曲率、正则性及数据流形的体积密切相关。