本研究提出了一种新颖的概率框架，通过贝叶斯推理理解神经网络中的任务表示，旨在推断表示单元对任务性能的因果贡献。研究结果为理解神经网络表现提供了重要的信息论工具。

本研究分析深度神经网络的神经元激活模式，提出概率框架，揭示神经元扩展规律。发现激活神经元数量与数据集大小之间存在数学关系，为理解网络的可扩展性和泛化能力提供新视角。

本研究提出了一种新的概率框架，旨在结合生成模型与传统可解释性文献，融合经典局部解释特性与深度生成模型的高维数据建模能力，以提高沟通、严谨性和透明度。

本文介绍了一种新的基于概率框架的统计降尺度方法，结合最优输运地图和后验条件采样模型，能够在无成对数据的情况下恢复气候统计数据。研究表明，该方法在气候变化和极端天气事件预测中表现显著，提供了高分辨率降水模式的有效预测，克服了传统降尺度方法的局限性。

本文介绍了一种新颖的网格无关模型，旨在从噪声和部分观测的数据中学习偏微分方程。该模型结合深度学习与概率框架，展示了在复杂数据集上的优越性能，能够有效处理部分观测的动态过程，推动数据驱动的偏微分方程建模。

本研究提出了一种基于概率框架的盲超分辨率图像重建方法，针对复杂噪声和模糊核问题，采用新颖的模糊核生成器和非独立同分布噪声模型。实验结果表明，该方法在合成和真实数据集上均优于现有技术，显著提升了超分辨率图像的质量和实用性。

本文提出了一种新颖的概率框架，结合因果模型和物理仿真，帮助机器人感知和评估积木堆叠任务。通过物理模拟生成任务，并在愤怒的小鸟游戏中评估其有效性。此外，研究介绍了PhyPlan框架，结合物理信息神经网络和改进的蒙特卡洛树搜索，提升机器人在动态环境中的任务执行能力。

本文提出了一种新颖的概率框架，用于处理多变量时间序列数据中的缺失值分类问题。通过结合深度生成模型和分类器，有效填补缺失值并建模不确定性。研究表明，该方法在大型健康数据库中优于传统插补技术，且计算成本更低。

该文章介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。该模型具有高效的概率框架和新颖的编码器设计，能够提高数据效率和网格独立性。通过分摊变分推断和多射击技术，该模型在复杂的合成和真实世界数据集上展示了最先进的性能，能够有效处理部分观测数据。该模型优于最近的方法，显示了推进数据驱动的偏微分方程建模的潜力，并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。

该文介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。该模型具有高效的概率框架和新颖的编码器设计，能够对复杂的部分观测动态过程进行稳健、网格无关的建模。

本文提出了一种概率框架，用于解决无约束线性问题，通过高斯后验信念替换现有方法返回的点估计，估计误差。该方法结合了准-牛顿和共轭梯度算法的性质，成本开销非常有限，为新的非线性优化方法提供了基础。

该文介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。该模型具有高效的概率框架和新颖的编码器设计，能够对复杂的部分观测动态过程进行稳健、网格无关的建模。