本研究解决了传统公式因子挖掘方法中人类专业知识依赖和自动化方法效率低下的问题。通过将大型语言模型与蒙特卡罗树搜索相结合，提出了一种创新框架，该框架利用财务回测的量化反馈指导探索，从而提高了因子的预测准确性和可解释性。实验结果表明，该方法在挖掘阿尔法因子方面显著优于现有方法，具有更好的交易表现和更高的效率。

本研究提出了一种创新的蒙特卡罗树搜索（MCTS）方法，旨在优化作业车间调度问题（JSSP），特别是减少加权作业完成时间。实验结果表明，MCTS在处理大规模JSSP时能有效生成高质量解决方案，优于传统的约束编程方法。

本研究针对步级奖赏模型（SRMs）在数学推理中的应用，揭示了其作用机制的反直觉特性。通过探索基于蒙特卡罗树搜索的方法，发现去除自然语言描述对SRMs效果影响微小，并且SRMs在评估数学语言中的复杂逻辑一致性方面表现良好，但在自然语言中却面临困难。这些发现为提高数学推理中的SRMs效率提供了深刻的见解。

本研究解决了实时渲染全球照明场景中渲染效率低下的问题。我们提出了一种创新的双层蒙特卡罗估计器，通过神经 incident 辐射缓存（NIRC）快速近似辐射，并显著减少了计算时间，实现了更快的收敛速度。实验结果表明，该方法在动态场景中具有显著的降噪效果，能够与其他重要性采样方案和降噪技术无缝结合。

蒙特卡罗树搜索（MCTS）算法在复杂环境中优化决策，广泛应用于工业领域，如制造优化、供应链管理和机器人自动化。通过选择、扩展、模拟和回溯四个阶段，MCTS有效平衡探索与利用，尽管面临计算能力和数据质量挑战，仍展现巨大潜力。

本研究解决了目标光电特性分子的系统设计和合成可达性之间的挑战。通过采用对称感知的分解算法和碎片约束的蒙特卡罗树搜索，研究提出了一种新颖的方法来生成具备对称约束的低带隙分子候选，这些分子在红移吸收特性上表现出优越性。研究结果显示，该方法可能显著提升有机光电材料的设计效率和应用潜力。

该研究通过蒙特卡洛树搜索和轻能量函数改进大型语言模型（LLM），显著提升数学推理的准确性。与其他解码方法相比，在多项推理任务中表现优异，超越多种现有模型。研究提出了AQA-Bench基准，评估LLM的顺序推理能力，发现闭源模型表现更佳。MCT Self-Refine算法结合MCTS，提升复杂数学推理性能，推动LLM在人工智能应用中的决策准确性。

本文研究了随机梯度HMC及其变体，提出了带摩擦项的二阶Langevin动力学，以提高神经网络和贝叶斯矩阵分解的效率。实验结果表明，低精度SGHMC在采样中具有优势，展示了其在资源有限的机器学习中的潜力。

本文介绍了一种新方法——稀疏哈密顿流，旨在提高贝叶斯核心集合的构建效率，降低计算成本，并提供准确的后验近似。该方法在处理稀疏和嘈杂数据时表现优异，能够有效识别非线性动力系统的控制方程，并量化系统的不确定性。研究还分析了多种算法在实际应用中的优缺点，强调了在有限数据情况下的鲁棒性和有效性。

本文提出了一种基于稀疏高斯过程的框架，旨在有效处理分类问题并降低分类错误率。通过结合基本核函数和贝叶斯方法，改进了时间序列数据的建模与预测。新方法GP-Tree在多类分类中表现优异，并在大规模数据集上展现出强大的推断能力。此外，P-ROCKET算法通过特征选择实现快速特征提取，提升了时间序列分类的效率。

本文研究了不完全信息游戏中的决策问题，提出通过选择使用玩家个人信息来提升游戏性能，并引入新的信念分布。实验证明该方法在多个算法上显著提高了游戏表现。此外，探讨了不完全记忆下的最优决策及其计算复杂性，扩展了完全信息博弈的框架，提出了有效的求解策略。

本文分析了顺序蒙特卡罗方法（SMC），建立了大数定理和不变原理，提出了适应性SMD方法和pSMC方法，并探讨了其在状态空间模型中的应用。研究表明，NASMC在非线性状态空间模型中显著改善了推断效果，并能够训练潜在变量递归神经网络。此外，提出了SMC^2算法，结合粒子滤波器和MCMC更新，解决了条件概率密度增量问题。

通过引入 Randomized Accelerated Natural Actor Critic 方法，我们在一般策略参数化的平均回报强化学习领域中，实现了全局收敛速率为 Ο(1/√T) 的方法，无需混合时间的先验知识，显著超过 Ο(1/T^(1/4)) 的现有界限。

本文探讨了多种基于蒙特卡罗树搜索（MCTS）算法的改进方法，包括动态抽样树策略、结合深度强化学习的搜索算法以及连续状态和动作空间的扩展。这些方法在不同领域的实验中表现优越，显著提升了搜索效率和优化效果。

该研究探讨了多种深度学习和概率模型的创新方法，如无偏抽样、因果机器学习、对抗生成网络和深高斯混合集成，旨在提高高维数据处理的准确性和效率。实验结果显示，这些方法在复杂预测和不确定性量化方面表现优越。

本文介绍了多种基于马尔可夫过程的采样方法，包括欠阻尼Langevin动力学、分段确定马尔可夫过程和随机梯度哈密尔顿蒙特卡洛方法。这些方法提高了大数据后验分布的采样效率和精度，适用于复杂的多峰后验分布，展示了在不同应用中的优越性能。

本文提出了一种基于梯度信息的非参数控制变量扩展方法，显著降低方差，适用于层次模型和非线性常微分方程。同时，研究探讨了无偏Metropolis-Hastings采样器的优化、Quasi-Monte Carlo采样的方差减少方法及其在复杂分布学习中的应用，展示了多种算法在贝叶斯建模和条件独立性测试中的有效性。

通过利用蒙特卡洛树搜索策略（GIF-MCTS）进行生成、改进和修复，我们成功地解决了利用大型语言模型生成代码世界模型（Code World Models）的挑战，并且在多个基准测试中超越了其他方法，在模型为基础的强化学习方面取得了显著的样本效率和推理速度提升。

本文研究了扩散生成模型在模拟冷暗物质密度场中的应用，探讨了宇宙学参数与功率谱的关系。通过引入约束条件，提高了生成样本的一致性和推断准确性，防止了过拟合。同时，提出了一种高效的MCMC推断方法，利用哈密顿蒙特卡罗进行精确推断，展示了扩散模型在计算机视觉任务中的潜力。