本研究提出了一种新颖的概率模型，结合基线特征与中间随访数据，动态预测临床结果。该模型在脑癌数据集上优于现有方法，有效控制维度增长，减少对中间数据的依赖。

本研究提出了一种基于目标条件的概率模型预测控制（GC-PMPC）方法，旨在解决多目标灵巧手操控的学习挑战。通过概率神经网络描述手动力学，并引入异步MPC策略，GC-PMPC在四个模拟场景中表现优于现有基准，展现出卓越的学习效率和控制性能。

本研究探讨了大语言模型级联系统中的错误率相互作用，提出了一种概率模型以联合预测性能分布。该方法通过优化置信度阈值，提高了效率和适应性，尤其在级联长度增加时，展示了成本-错误曲线的提升潜力。

本研究提出了一种基于去噪扩散概率模型的视频摘要生成框架，旨在解决注释不一致性问题。该方法通过概率分布生成摘要，减少主观噪声干扰，展现出良好的过拟合和泛化能力，实验结果验证了其有效性。

本研究提出DiffRaman模型，通过生成合成光谱解决了有限数据下拉曼光谱在细菌识别中的不足，实验结果表明该方法有效提高了诊断准确性。

本研究提出了一种混态量子去噪扩散概率模型（MSQuDDPM），旨在解决量子去噪扩散模型在高保真混淆算子需求中的问题，从而提升生成量子态的能力。

本研究针对超声图像中轮廓模糊和伪影形成问题，提出了一种基于轮廓的概率分割模型CP-UNet，旨在增强分割网络在解码过程中的轮廓聚焦。实验结果表明，该方法在乳腺和甲状腺病变的分割性能上优于多种先进的深度学习分割方法。

本研究探讨流匹配（FM）与扩散概率模型（DPMs）在无训练条件生成中的关系，提出两种后验采样方法，实验结果优于现有技术。

本研究探讨去噪扩散概率模型在生成图像时的潜在空间问题，指出反演技术的局限性，并证明生成图像的高层特征在训练中迅速稳定，为优化图像生成模型提供了重要见解。

本研究提出了一种新颖的时空引导扩散变换器概率模型(st-DTPM)，有效解决了双时段PET影像的延迟扫描问题，显著提升了影像预测的准确性。

本研究解决了去噪扩散概率模型（DDPM）在高维数据中的迭代复杂度问题，证明其迭代复杂度与内在维度k近似线性相关，展示了其在生成AI中的高效性和潜在影响。

本研究提出了一种结合视频输入和独立潜在因素的概率模型，解决神经科学中动态自然刺激处理的问题。实验表明，该模型在小鼠视觉皮层神经元反应上优于仅依赖视频的模型，并能有效捕捉神经响应的变异性，即使没有行为数据也与小鼠行为显著相关。

过去十年，自动化方法被开发用于更高效地检测裂缝，替代传统手动检查。语义分割算法在逐像素检测中表现出色，但需要大量标记数据。为此，提出了无监督的UP-CrackNet，通过生成对抗网络恢复破坏区域，实现逐像素裂缝检测。实验显示其性能优于传统无监督算法，并与先进的监督算法相媲美。代码已公开。

本研究针对现有扩散模型收敛理论中严格假设和次优收敛速度的问题，提出了一种新的快速收敛理论。通过确保$\ell_{2}$-准确的评分函数估计，该理论表明目标分布与生成分布之间的总变差距离上界为$O(d/T)$，对任何具有有限一阶矩的目标分布均适用，显著改进了现有的SDE和ODE模型收敛理论。

SLCF-Net通过结合LiDAR和相机数据进行语义场景补全。它使用预训练的2D U-Net进行图像分割，并从Depth Anything中获取深度信息，将2D特征投射到3D场景。通过3D U-Net计算语义，并设计新损失函数确保时间一致性。在SemanticKITTI数据集上表现出色。