本研究提出了一种“能量匹配”框架，旨在解决生成模型在处理部分观测时的局限性。该方法结合流方法与能量模型，显著提升了CIFAR-10生成任务的性能，并简化了训练过程，为能量模型的广泛应用奠定了基础。

本研究提出了一种基于能量的模型（EBM），旨在解决DPO损失在离线对齐中存在的多个极小值问题。通过引入能源偏好对齐（EPA）对比损失函数，实验证明该方法在开放基准测试中表现优越，验证了EBM的有效性和实用性。

能量模型（EBMs）是生成模型领域中的强大框架，与统计力学原理契合，为物理学家提供独特视角。本综述探讨了EBMs的采样技术、与统计力学的对比、能量函数和配分函数的重要性，以及最新的训练方法，旨在阐明EBMs与其他生成模型的复杂相互关系。

EmSHAP是一种基于能量模型的Shapley值估计方法，通过引入门控循环单元消除了输入特征排序的影响，并提出了动态屏蔽方案来提高泛化能力。实验证明EmSHAP具有更高的估计精度。

本文调查了大规模神经网络训练的实际能耗，并介绍了BUTTER-E数据集。研究分析了数据集大小、网络结构和能量消耗之间的复杂关系，并提出了一个能量模型。文章挑战了参数或FLOP减少是实现更高能效的最佳方法的假设，并建议在网络、算法和硬件设计上采用综合方法来实现能量效率。

本文介绍了广义对比散度（GCD）的概念，它是一种同时训练能量模型（EBM）和采样器的新型客观函数。GCD通过用可训练的采样器取代马尔可夫链蒙特卡罗（MCMC）分布，将对比散度这种训练EBM的算法进行泛化。GCD的极小-极大学习与逆强化学习存在等价性，通过联合训练对EBM和扩散模型都有益处。GCD使得EBM训练无需MCMC，同时提高了扩散模型的样本质量。

该文章介绍了一种基于学习的视可见性面重建方法，使用3D Delaunay四面体化和基于图神经网络的分类方法来识别点云中的缺陷区域并生成表面模型的能量模型。该方法结合了局部几何和视线可见性信息，通过深度学习和能量模型的优点，比当前公开的基于学习和非学习的表面重建算法更优。

该文提出了一种新的算法，用于近似连续熵正交传输重心，具有优越性能，并与基于能量的模型学习流程无缝连接。作者考虑了几个低维场景和图像空间设置，并探讨了在经过预训练的生成模型生成的图像流形上学习重心的实际任务，为实际应用开辟了新的方向。

本文提出了一个基于低维潜在空间与能量模型的先验分布的开放集识别问题的解决方案，包括属性感知信息瓶颈模块、残差属性特征聚合模块和基于不确定性的虚拟异常点合成模块。该方法可用于视觉分类和生成，并在精细化和通用的视觉分类数据集上得到验证。