本文探讨了机器如何利用具象符号进行推理，提出了一种结合概率推理与谓词符号推理的新方法。研究表明，通过线性大小数据的联合分布，可以有效推广谓词逻辑的结果，并重新审视相关问题。

本研究提出了一种从大型语言模型中提取常识的方法，以支持缺乏特定数据的概率推理。通过生成相关变量集合并施加时刻约束，优化联合分布，实验结果表明该框架在真实数据集上表现优异且对噪声具有鲁棒性。

本文提出了一种新方法——约束潜在动作策略（C-LAP），旨在解决离线强化学习中因静态数据集导致的政策生成不在分布内的问题。C-LAP通过学习观察与动作的联合分布，显著减少了学习政策所需的梯度步骤，并在实验中表现出色。

本文使用HSIC构建独立性统计检验方法，通过分析联合分布和边缘分布乘积之间的距离来定义HSIC。研究结果表明，即使在联合分布的核函数不具有特性的情况下，也可以构建基于HSIC的独立性统计检验，并保持其一致性。

本论文提出了一种新的视频摘要方法，利用条件建模的视角，引入多个随机变量和联合分布来刻画视频摘要的关键组成部分，并利用辅助分布改进模型的训练。实验证明该方法优于现有方法，达到最先进的性能。

该文介绍了一种新颖的图像分类方法，使用基于去噪扩散概率模型的单张图像转换方法，无需对抗训练。通过最小化以另一个域为条件的去噪得分匹配目标来训练生成模型以推断图像的联合分布。该方法在几个公共数据集上实现了最先进的 Frechet Inception Distance（FID）性能，包括彩色和多光谱影像，并明显优于当前的对抗图像转换方法。

本文研究了设计深度潜变量模型的长期主题，通过多模态数据和变分约束来近似模态和潜变量的真实联合分布。实验结果显示，更紧密的变分约束和更灵活的聚合模型可能会带来益处。