本文提出了一种基于随机神经网络的概率推理算法，利用Stein变分法优化神经网络参数，适用于多种目标分布。通过训练深度能量模型和神经采样器，实现高质量图像生成。同时，研究了强化学习中的样本效率与适应性，提出改进模型RGDM，显著提升样本生成控制能力。

我们提出了使用神经采样器来近似复杂多模态和相关后验分布的隐式分布的方法，并介绍了一种新的采样器架构，通过可微的数值逼近解决计算问题。我们的实证分析表明，我们的方法能够恢复大型贝叶斯神经网络中层间的相关性，通过下游任务的实验，我们证明了我们的表达性后验优于最先进的不确定性量化方法，验证了我们的训练算法的有效性和学习出的隐式逼近的质量。