本研究提出了一种新预测算法，通过引入隐藏状态扩展模型，解决了成对马尔可夫链在连续值预测中的不足，显著提升了波动性预测性能。

本研究提出了Pattern-mark，一种针对无序语言模型的水印框架。通过马尔可夫链生成水印序列，并用统计方法检测，解决了传统水印技术在无序语言模型中的应用问题，提高了检测效率和生成质量。

本文研究了马尔可夫链采样器在多变量分布中容易陷入特定状态的问题，导致近似采样亚稳分布。研究发现，即使全局差异较大，满足强亚稳性条件的可逆马尔可夫链，其单变量条件分布平均仍接近真实分布，可用于条件似然估计器学习真实模型。

本研究在随机矩阵领域中提出了一种新距离函数，用于有效比较不同的马尔可夫链模型，特别适用于医疗过程。研究显示，无论使用Bhattacharyya角还是新距离函数，模型间的度量结果一致。

本研究完善了非线性时间序列模型的统计分析，通过耦合分析揭示外生变量对响应变量的影响，并在随机环境下研究马尔可夫链。结果为随机迭代模型提供了新方法，特别在单服务器排队模型中应用广泛。研究还探讨了扩散模型、MCMC算法、ARMA模型的应用和改进，提出了加速收敛的方法。

本研究提出了一种离散扩散薛定谔桥匹配（DDSBM）框架，用于解决生成建模中任意分布传输的问题。该框架通过连续时间马尔可夫链在高维离散状态空间中解决薛定谔桥问题，适用于图的变换，并在分子优化中有效，优化目标属性同时保留其他特征。

本文介绍了使用超图、单纯复形、拓扑、马尔可夫链和张量等工具探索复杂系统中群体动态的方法。这些工具不仅让研究人员更好地理解数据，还让数学家和计算机科学家探索新的可能性世界。

本文提出了一种修正变分自编码器（VAE）推理不便捷的方法，基于马尔可夫链的变分近似分布的替代构造方法，具有自监督的后处理环节，可以使其生成的表示更加鲁棒。实验结果在ColorMnist和CelebA数据集上得到验证。

本文研究了马尔可夫链的Hoeffding不等式，使用积分概率度量(IPM)定义的广义可集中条件建立了一个框架，扩展了现有假设，使得Hoeffding不等式能够应用于传统意义上的非递凡马尔可夫链之外的情况。作者应用该框架到机器学习领域的几个非渐近分析，证明了其实用性。

本文介绍了大语言模型的原理，将其比喻为一个巨大的马尔可夫链。计算机可以从一组相关的事实中推理出结论，这种能力被认为是理解的一种形式。

扩散模型是人工智能生成内容的前沿研究方向，包括GAN、VAE、NF和DM四个流派。它通过变分推断训练参数化的马尔可夫链，在许多任务上展现了优于其他生成模型的效果。扩散模型的核心思想是通过正向过程将噪声逐渐加入数据中，然后通过反向过程预测每一步加入的噪声，最终还原得到无噪声的图像。DDPM是扩散模型的重要基石算法，通过神经网络学习从纯噪声数据逐渐对数据进行去噪的过程。扩散模型的生成效果已达到甚至超过人类画师的水平，但仍存在采样速度慢、生成效果差和内容不可控等问题。