本研究探讨了随机神经网络集群中的集体行为，提出了一种基于分类损失的吉布斯测度加权方法。结果显示，存在一个有限温度参数使分类损失最优，强调了自组织特性在高质量数据集中的重要性。

本文提出了一种基于随机神经网络的概率推理算法，利用Stein变分法优化神经网络参数，适用于多种目标分布。通过训练深度能量模型和神经采样器，实现高质量图像生成。同时，研究了强化学习中的样本效率与适应性，提出改进模型RGDM，显著提升样本生成控制能力。

本文研究了利用机器学习提高偏微分方程（PDE）求解的准确性，提出了对抗性自适应采样和基于随机神经网络的算法。这些方法在降低计算成本的同时，提升了高维PDE的求解性能，并探讨了主动学习在数据生成中的应用，显著降低了误差。

本研究探讨了随机神经网络的收敛性和梯度动态性，结合高斯过程与深度学习理论，揭示了深度网络在信号传播中的表现及其对输入空间的影响。通过数学框架分析，证明了网络的全局收敛性及初始化的重要性。

本文研究了随机神经网络的普适逼近性质，并与确定性神经网络进行了比较。提出了一种通用神经功能（UNF）模型，优化了小型图片分类器和语言模型。同时探讨了神经网络训练中的隐性偏差及权重收敛现象，提出了神经功能网络（NFN）设计框架，并展示了其在多层和卷积神经网络任务中的有效性。

该论文提出了一种结合多层求解器和深度学习的新方法，解决高维偏微分方程的数值解问题。通过随机神经网络和极限学习机（ELM）展示了在高维情况下的有效性和准确性，并基于元学习的神经网络方法高效处理各种PDE问题，验证了其性能。

该文章介绍了管理基于模型的强化学习中风险的方法，包括概率安全约束、不确定性处理和随机神经网络的平衡。实验证明，将不确定性分离对于在不确定和安全关键的控制环境中使用数据驱动的MPC方法表现良好是至关重要的。

该文介绍了两种基于随机神经网络解决高维偏微分方程的方法，避免了维度增加带来的指数级增长。这些方法在多个高维PDE上进行了数值模拟，成本效益高且准确度更高。

该文介绍了两种基于随机神经网络解决高维偏微分方程的方法，避免了维度增加引发的指数级增长。这些方法在多个高维线性/非线性静态/动态PDE上进行了大量数值模拟，成本效益高且准确度更高。

该文提出了两种基于随机神经网络解决高维偏微分方程的方法，避免了维度增加引发的指数级增长。这些方法在多个高维PDE上展示了良好性能，成本效益高且更准确。

该文介绍了一种基于模型的强化学习中的风险管理方法，使用概率安全约束、乐观和悲观以及随机神经网络的平衡来处理不确定性。实验证明，该方法在数据驱动的 MPC 方法中表现良好。