本研究提出了一种变换器重新参数化的方法，通过结合高秩和去高秩因式分解，提升了资源受限物联网设备上轻量化变换器模型的性能，接近大型模型水平。

我们研究了高维连续动作空间中的强化学习，提出了一种基于潜变量的多模式策略框架，并开发了重新参数化策略梯度方法。该方法结合多模式策略和学习的世界模型，提高了探索能力和数据利用率。实验显示，该方法在不同奖励任务中表现优于以往方法。

通过重新参数化扩散过程和直接使用网络估计图像和噪声，逆扩散过程在速度和质量方面取得了显著改进。改变后的模型能够更快生成高质量图像，并通过多种度量得出更高质量的生成图像。

本文提出了一种新的推理策略 - Reparameterized Variational Rejection Sampling (RVRS)，通过引入低方差的重新参数化梯度估计器，将 VRS 变为适用于具有连续潜在变量的模型。RVRS 在计算成本和推理准确性之间提供了一个折衷方案，特别适用于具有局部潜在变量的黑盒推理。