本研究提出了一个统一框架，解决了连续生成模型的训练与采样方法的统一性问题，并在ImageNet数据集上显著提升了FID值，验证了其有效性。

本研究提出MixDec采样方法，有效解决了图神经网络推荐系统中负采样导致的结构信息损失和稀少节点样本不足的问题，显著提升了推荐性能。

本研究提出了一种名为火热启动与常规执行（FIRE）的采样方法，旨在解决大型语言模型在推理任务中获取多样化高质量数据的挑战。FIRE方法简单有效，显著提升生成质量和训练效果，实证结果表明其通过促进多样性提高性能，具有重要应用潜力。

本研究提出了一种新颖的采样方法，旨在解决传统CFD求解器在湍流模拟中的高计算成本和准确性问题，验证了基于RANS-PINN框架的有效性。

本研究提出了一种无分类器的生成模型引导方法，以提高图像生成质量。通过改进损失函数和引导技术，显著提升了样本质量，并提出了自适应引导和新型采样方法，解决了传统方法的不足。实验证明，这些方法在文本到图像生成等任务中表现优异，具有广泛的应用潜力。

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。

本文提出了一种创新的采样方法DiGS，结合了扩散模型与高斯卷积，能够有效地从多模态分布中进行采样。与现有方法相比，DiGS在混合特性上表现更佳，适用于多种任务，如混合高斯和贝叶斯神经网络，显著提升了采样效果。

本文提出了一种在大数据集上提高算法计算效率的采样方法，并评估了算法杠杆的统计性能。结果表明杠杆采样在最坏情况下能提供更好的结果。同时，本文还提出了两种新的杠杆算法，并在合成和真实数据集上进行了实证评估。

本文研究了基于梯度流的采样方法的设计要素，包括能量函数、度量和梯度流的数值近似。通过展示Kullback-Leibler散度的独特性质，研究了度量的选择，并构建了各种仿射不变的梯度流。提出了基于高斯近似的梯度流方法，并研究了其收敛性。

本文研究了数字墨水生成模型的多种采样和排名方法，并提出了一种在预算内最大化输出质量的方法。实验证明该方法可以显著提高合成墨水的识别率，并减少字符误差率。同时，本文还介绍了一种选择最佳采样和排名方法组合的方法。

本文研究了基于梯度流的采样方法的设计要素，包括能量函数、度量和梯度流的数值近似。研究表明，Kullback-Leibler散度作为能量函数具有独特性质，度量的选择从不变性的角度出发，构建了各种仿射不变的Wasserstein和Stein梯度流。提出了基于高斯近似的梯度流方法，并与参数变分推断衍生的梯度方法建立了联系，研究了它们的收敛性。

本文介绍了基于机器学习的采样方法在科学领域中的应用，特别是在量子色动力学理论中的进展。该方法能够从粒子物理学的最基本理解中计算物质的结构和相互作用，是开放科学超级计算的主要消费者。

本文介绍了一种名为CartoonDiff的无需训练的采样方法，用于生成图像卡通化效果。该方法基于扩散Transformer模型，将逆向过程分解为语义生成和细节生成阶段，并在去噪步骤中对噪声图像的高频信号进行归一化。实验结果表明CartoonDiff具有强大的能力，不需要参考图像、复杂的模型设计或参数调整。

本文研究了对给定的图形文档进行多样排版风格生成的任务，并建立了自回归模型以生成与输入设计背景相匹配的多样排版风格。同时，提出了一种简单而有效的采样方法，使生成样本在文本元素之间共享一致的排版风格。实证研究表明，该模型成功生成了多样的排版设计，并保持了一致的排版结构。