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（LLM）级联系统中的错误率复杂性，提出了一种概率模型以预测LLM序列性能。该方法通过优化置信度阈值，提高了运行效率和适应性，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。

本文探讨了多种基于神经网络的概率模型和方法，旨在提高推理性能和不确定性估计。研究包括神经粒子平滑法、噪声感知训练、选择性标签平滑和校准感知贝叶斯神经网络等，均在序列识别和翻译任务中取得了先进效果，并提供了开源代码和数据支持。

本文介绍了多种基于深度学习的道路裂缝检测算法，如无监督逐像素检测网络UP-CrackNet和CrackNex框架，旨在提高检测精度和效率。这些方法在复杂背景和低光照条件下表现优异，具有广泛的应用潜力。

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。

本文介绍了一个基于汽车激光雷达的大型数据集，旨在推动激光语义分割研究。作者提出了三项基准任务，展示了需要更复杂模型来处理这些任务。该数据集为新方法开发和研究方向提供了丰富的数据，促进了语义场景补全技术的进步。

本文介绍了一种基于核的判别式学习框架，利用再生核希尔伯特空间对概率分布进行嵌入，扩展了支持向量机等核方法的应用。研究涉及机器学习中的优化方法、概率模型及其在深度学习中的应用，并提供了理论保证和未来研究方向的讨论。

本文介绍了一种统一的概率模型，通过变分自编码器（VAE）和神经网络回归器实现对MR图像年龄的精确预测，揭示人脑结构发育规律。研究提出了Brain-Diffuser和HDAE等新方法，显著提高了大脑网络生成的准确性，推动了神经影像学分析和疾病诊断的发展，为多模态大脑影像数据处理提供了新方案。

本文介绍了一种新型去噪扩散概率模型（DDPMs），用于生成合成超声图像，作为医学影像分析的训练数据替代品。该方法在图像质量和生成速度上优于传统技术，具有广泛的应用潜力。

该研究提出了一种新型分子生成模型，结合概率模型和几何学，提升了分子构象生成的准确性。通过3D几何结构预训练和语言模型，提出了3D-MoLM和3D-MolT5框架，优化了分子属性预测和生成任务，展示了在生物分子领域的应用前景。