该研究提出了一种生成高质量残疾人服务可及性调查数据的新方法，利用结构方程模型和贝叶斯网络生成合成数据。结果表明，该方法在统计和关系有效性方面优于高斯耦合和条件表生成对抗网络，为敏感数据研究提供了新的思路。

本文提出了一种基于Transformer的方法，用于估计高维多变量时间序列的联合预测分布。该方法基于注意力机制的解码器，能够可靠地模拟非参数Copulas的特性，具有多种有用的属性，可以缩放到数百个时间序列，支持预测和插值，可以处理非对齐和不均匀采样的数据，并可以在训练期间无缝地适应缺失数据。实证结果表明，该模型在多个真实数据集上都可以产生有竞争力的预测效果。

本文介绍了一种基于偏态 t 因子 copula 模型的金融数据建模方法，该模型允许非对称和极端尾部依赖。作者使用贝叶斯变分推断方法估计高维度的 copula 模型，并应用于93只美国股票的日内收益预测。结果表明，偏态 t copula 提供了更准确的预测密度，并且基于估计的两两尾部依赖的投资组合选择策略相对于基准指数表现更好。