本文综述了基于机器学习的生成模型，特别是能量基模型（EBMs）在网格场论和蒙特卡罗采样中的应用。介绍了随机归一化流、混合变换流和最大似然训练算法等新方法，强调了采样效率和精度的提升。探讨了EBMs与统计力学的关系及其训练技术，旨在帮助物理学家理解EBMs及其与其他生成模型的联系。

本文介绍了一种基于深度学习的主动推理智能体架构，利用蒙特卡罗采样方法提高学习效率。研究表明，主动推理在随机控制环境中优于传统强化学习，尤其在高维任务中显著提升样本效率。该方法首次应用于真实世界的机器人导航，提供了新的人工智能设计视角。

本文探讨了神经网络的不确定性估计方法，重点介绍了基于贝叶斯信任网络和蒙特卡罗采样的技术。研究提出了新度量标准，以评估模型复杂度与不确定度之间的关系，并验证了这些方法在回归和图像分类任务中的有效性。同时，讨论了不确定性估计在实际应用中的挑战及未来发展方向。

该研究提出了一种新的可靠性分析方法，利用基于哈密顿神经网络的蒙特卡罗采样的子集模拟。该方法结合了哈密顿蒙特卡罗方法的优越采样和哈密顿神经网络的高效梯度评估，实现了低计算成本的高接受率。此外，该研究还提出了改进技术，用于在复杂和高维分布的低概率区域预测梯度，以实现故障概率的准确估计。该研究的亮点是在贝叶斯推理问题中使用哈密顿神经网络进行可靠性分析，提高了计算效率。