基于层次模型诊断的概率方法

PGMHD：一种面向海量层次数据问题的可扩展概率图模型

PGMHD: A Scalable Probabilistic Graphical Model for Massive Hierarchical Data Problems

在大数据时代，可扩展性已经成为任何有用的计算模型的关键要求。概率图模型对于挖掘和发现数据洞察非常有用，但它们的可扩展性不足以适用于大数据问题。当贝叶斯网络的数据使用很少的随机变量来表示，而每个随机变量都有大量的值时，贝叶斯网络特别表现出这种局限性。对于分层数据（数据以树状结构排列，具有多个层次），人们会期望看到数十万或数百万的值分布在即使只是少量的层次上。当在大型数据集上对这种分层数据建模时，贝叶斯网络无法表示概率分布，原因如下：i）每个水平代表一个具有数十万个值的单个随机变量，ii）水平的数量通常很小，因此随机变量也很少，以及iii）网络的结构是预定义的，因为依赖性是从每个父节点到其子节点中的每个节点自上而下建模的，所以网络将包含从每个父节点到每个子节点的随机变量的单个线性路径。在本文中，我们提出了一个可扩展的概率图模型，以克服这些限制，海量层次数据。我们相信，所提出的模型将导致一个易于扩展的，更可读的，和表达的问题，需要大量的层次数据的概率为基础的解决方案的实现。我们成功地应用这个模型来解决两个不同的挑战性的概率为基础的问题上的大量层次数据集的不同领域，即生物信息学和潜在的语义发现搜索日志。

用于多模态间质性肺疾病诊断的分层混合专家模型

Hierarchical MoE for Multi-Modal ILD Diagnosis

本研究提出分层多模态MoE模型，融合预训练影像专家与EHR，在ILD分类患者级交叉验证中AUC达0.8750±0.0443，优于REN和SwinUNETR，且提升了可解释性。

EHR基础模型中ICD码的分层建模

Hierarchical Modeling of ICD Codes in EHR Foundation Models

研究利用ICD-10-CM层次结构作为归纳偏置，通过序列增强和图注入两种机制改进EHR表示学习，实验表明显式编码层次结构在域内和跨数据集任务中均优于扁平表示。

Probabilistic Selective Encryption of Convolutional Neural Networks for Hierarchical Services

Model protection is vital when deploying Convolutional Neural Networks (CNNs) for commercial services, due to the massive costs of training them. In this work, we propose a selective encryption (SE) algorithm to protect CNN models from unauthorized access, with a unique feature of providing hierarchical services to users. Our algorithm firstly selects important model parameters via the proposed Probabilistic Selection Strategy (PSS). It then encrypts the most important parameters with the designed encryption method called Distribution Preserving Random Mask (DPRM), so as to maximize the perfor…

抽象顺序诊断

Sequential Diagnosis by Abstraction

当系统行为异常时，顺序诊断对系统进行一系列测量，直到识别出导致异常的故障，目标是减少诊断成本，这里定义为测量的数量。为了提出测量点，以前的工作采用了一种启发式的基础上减少熵的一组计算的诊断。这种方法在诊断成本方面通常具有良好的性能，但当诊断集太大时，可能无法诊断大型系统。专注于一组较小的可能的诊断规模的方法，但通常会导致平均诊断成本增加。在本文中，我们提出了一个新的诊断框架，采用四种新的技术，可扩展到更大的系统具有良好的性能，在诊断成本。首先，我们提出了一个新的启发式测量点的选择，可以有效地计算，而不需要一套诊断，一旦系统被建模为贝叶斯网络和编译成一个逻辑形式称为d-DNNF。其次，我们扩展层次诊断，一种基于我们以前的工作系统抽象的技术，处理概率，使其可以应用于顺序诊断，以允许更大的系统进行诊断。第三，对于最大的系统，即使分层诊断失败，我们提出了一种新的方法，将系统转换成一个具有较小的抽象和诊断形成的超集的原始系统，新的系统，然后可以诊断和映射回原始系统的结果。最后，我们提出了一种新的成本估计函数，它可以用来选择一个抽象的系统，更有可能提供最佳的平均成本。与ISCAS-85基准电路的实验表明，我们的方法规模在套件中的所有电路，除了一个有一个扁平的结构不容易有用的抽象。

Hierarchical discriminative learning improves visual representations of biomedical microscopy

Learning high-quality, self-supervised, visual representations is essential to advance the role of computer vision in biomedical microscopy and clinical medicine. Previous work has focused on self-supervised representation learning (SSL) methods developed for instance discrimination and applied them directly to image patches, or fields-of-view, sampled from gigapixel whole-slide images (WSIs) used for cancer diagnosis. However, this strategy is limited because it (1) assumes patches from the same patient are independent, (2) neglects the patient-slide-patch hierarchy of clinical biomedical mic…

融合梯度提升树和神经网络用于分层时间序列的点预测和概率预测

Blending gradient boosted trees and neural networks for point and probabilistic forecasting of hierarchical time series

本文提出一种融合梯度提升树与神经网络的机器学习模型方法，通过特征工程和验证集构建解决分层时间序列的点预测与概率预测问题，在 M5 Competition 双赛道获金牌。

基于知识的层次诊断决策模型的构建：初步报告

Knowledge-Based Decision Model Construction for Hierarchical Diagnosis: A Preliminary Report

目前正在开发许多在大型复杂的信念或决策网络中进行概率推理的方法。很少有研究自动化的动态，增量决策模型的建设。提出了一种统一的值驱动的层次化完全诊断决策模型构造方法。层次完整的诊断推理制定为一个随机过程，并使用影响图建模。在给定观测值的情况下，该方法建立决策模型，以便以最小的代价依次获得定位和修复故障的最佳行动。该方法以增量方式构造决策模型，将探测操作与模型构造和评估交错进行。该方法统一处理元级和基本级任务。也就是说，该方法需要一个决策理论看控制搜索的因果路径和结构层次。

H-DDx：一种用于鉴别诊断的分层评估框架

H-DDx: A Hierarchical Evaluation Framework for Differential Diagnosis

针对现有大语言模型鉴别诊断评估的平面指标无法区分临床相关误差的问题，提出分层评估框架H-DDx，通过映射ICD-10编码和分层指标更精准评估性能，还能揭示错误模式提升可解释性。

基于知识的医学诊断概率模型的学习与推理

Learning and inference in knowledge-based probabilistic model for medical diagnosis

基于加权知识图谱来表示一阶知识，并结合概率模型，我们提出了一种用于创建医学诊断中的医学知识网络（MKN）的方法。当针对特定患者激活一组症状时，我们可以生成由症状节点和潜在疾病节点组成的基础医学知识网络。通过将玻尔兹曼机转化为马尔可夫网络的势函数，研究了MKN的联合概率分布。为了处理数值征兆，提出了一种使用条件概率的多变量推理模型。此外，知识图谱的权重是有效地从人工标注的中国电子病历（CEMR）学习。在实验中，我们通过数值计算发现，疾病节点的质量和症状变量的表达的最佳选择可以提高医疗诊断的有效性。我们的实验结果比较马尔可夫逻辑网络和逻辑回归算法在一个实际的CEMR数据库表明，我们的方法有希望，MKN可以促进智能诊断的研究。

多疾病诊断的候选者概率评估和症状聚类

Probabilistic Evaluation of Candidates and Symptom Clustering for Multidisorder Diagnosis

本文推导出一个计算一组候选人的条件概率的公式，其中一个候选人是一组疾病，解释一组给定的阳性结果。这种候选集是由最近的一种称为症状聚类的多疾病诊断方法产生的。一个症状聚类表示一组候选人作为一个鉴别诊断的carvestic产品。然后，通过评估候选集的概率，可以同时验证或修剪大的候选集。然后将候选集的概率专门化以获得单个候选的概率。与早期的结果不同，这里导出的方程允许指定阳性，阴性和未知症状，并且不对候选人中没有的疾病做出假设。

综合概率、分类和因果知识进行外展诊断

Integrating Probabilistic, Taxonomic and Causal Knowledge in Abductive Diagnosis

我们提出了一个溯因诊断理论，整合概率，因果和分类知识。概率知识使我们能够选择最可能的解释;因果知识使我们能够做出合理的独立假设;分类知识使因果关系能够在不同的细节水平上建模，并允许观察结果在不同的精度水平上进行描述。与大多数其他方法不同的是，因果解释是一个假设，一个或多个因果事件发生，我们定义一组观察的解释是一个因果事件链的发生。这些因果事件构成了一个所有观察都是真实的场景。我们表明，可以从因果事件的条件概率计算的情况下的概率。即使只允许适度的表达能力，溯因推理本质上也是复杂的。然而，我们的溯因算法仅在要解释的观测数量上是指数的，并且在知识库的大小上是多项式的。这与许多其他绑架程序相比，这些程序在知识库的大小上是指数级的。

基于语法的缺省推理作为基于概率模型的诊断

Syntax-based Default Reasoning as Probabilistic Model-based Diagnosis

我们认为基于语法的方法默认推理作为一个基于模型的诊断问题，其中每个源给出的一条信息被认为是一个组件。它在ATMS框架中形式化（每个源对应一个假设）。我们假设所有的源都是独立的，并且以非常小的概率“失败”。这导致了对候选集的概率分配，或者等价地对一致环境集的概率分配。这种概率分配导致了一个Dempster-Shafer信念函数，它测量了一个命题可以从证据中推导出来的概率。这个信念函数可以用几种不同的方式来定义一个非单调的后果关系。我们研究和比较这些后果关系。优先知识库的情况下被简要考虑。

概率模型诊断中利用系统层次计算维修计划

Exploiting System Hierarchy to Compute Repair Plans in Probabilistic Model-based Diagnosis

基于模型的诊断的目标是隔离异常系统行为的原因，并推荐廉价的修复措施作为响应。在一般情况下，预先计算最优修复策略是棘手的。到目前为止，解决这个问题的调查人员已经探索了近似，要么对系统模型施加限制（如单一故障假设），要么计算有限的前瞻性的即时最佳行动。在本文中，我们开发了一个公式的修复模型为基础的诊断和修复算法，计算最佳的行动序列。这种最优方法是昂贵的，但可以应用于预先计算的最优修复策略紧凑的系统。我们将展示如何利用分层系统规范，使这种方法易于处理的大型系统。在引入层次结构时，我们还考虑了简单地替换组件和分解组件以修复其子组件之间的权衡。分层修复算法适用于最优修复策略的离线预计算。该算法的修改利用迭代深化方案来权衡推理时间和计算策略的质量。

Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis

Clinical diagnosis, which aims to assign diagnosis codes for a patient based on the clinical note, plays an essential role in clinical decision-making. Considering that manual diagnosis could be error-prone and time-consuming, many intelligent approaches based on clinical text mining have been proposed to perform automatic diagnosis. However, these methods may not achieve satisfactory results due to the following challenges. First, most of the diagnosis codes are rare, and the distribution is extremely unbalanced. Second, existing methods are challenging to capture the correlation between diag…

层次概率抽象的一个代数框架

An Algebraic Framework for Hierarchical Probabilistic Abstraction

本文提出一个基于测度论的层次概率抽象框架，通过分层映射实现模块化分析，弥合高层概念与低层数据，支持AI中的系统1与系统2对齐。

基于分层多粒度分类网络的核电一二次回路故障诊断研究

Research on fault diagnosis of nuclear power first-second circuit based on hierarchical multi-granularity classification network

针对核电系统故障难以整体分析的问题，本文基于 AP1000 模拟器构建一二次回路故障数据集，提出基于 EfficientNet 的分层多粒度分类故障诊断模型，实现了对不同回路和部件故障的有效分层分类。

KG4Diagnosis：一种基于知识图谱增强的层级多智能体LLM框架用于医学诊断

KG4Diagnosis: A Hierarchical Multi-Agent LLM Framework with Knowledge Graph Enhancement for Medical Diagnosis

KG4Diagnosis提出层级多智能体LLM框架，结合自动化知识图谱构建，覆盖362种疾病，通过全科与专科智能体协作，实现可扩展的医学诊断。

基于医疗编码为中心的多模态对比EHR建模与层次正则化的下次就诊诊断预测

Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation

提出NECHO框架，以医疗编码为中心融合多模态EHR数据，并通过层次正则化建模医学本体结构，提升下次就诊诊断预测性能。

学习概率层次任务网络以捕获用户偏好

Learning Probabilistic Hierarchical Task Networks to Capture User Preferences

我们建议自动学习概率分层任务网络（pHTN），以捕捉用户的偏好计划，通过只观察用户的行为。HTN是规划中各种目的的常见表示选择，包括规划学习工作。我们的贡献是（a）学习结构和（b）表示偏好。相比之下，以前的工作采用HTN考虑学习方法的先决条件（而不是结构）和表示域物理或搜索控制知识（而不是偏好）。最初，我们将假设所观察到的计划分布是用户偏好的准确表示，然后推广到可行性约束经常阻止首选计划执行的情况。为了学习计划的分布，我们适应的期望最大化（EM）技术的纪律（概率）语法归纳，以减少任务的角度来看，生产在一个上下文无关文法在原始的行动。为了解释可能的和优选的计划的分布之间的差异，我们随后修改了这个核心EM技术，简而言之，通过重新调整其输入。

层次假设空间中的概率冲突消解

Probabilistic Conflict Resolution in Hierarchical Hypothesis Spaces

工业机器人、军事监视和危险环境清理等人工智能应用需要基于部分、不确定、模糊或错误的证据来理解情况。有必要评估决策程序所面临的（当前）情况的多个可能假设的相对可能性。通常，证据和假设本质上是分层的。例如，在图像理解任务中，证据从原始图像开始，从原始图像中提取模糊特征，这些模糊特征具有多个可能的聚合，为物体和地形的多个假设的存在提供证据支持，这些特征又以多种方式聚合，为环境场景的不同解释提供部分证据。用于军事态势理解的信息融合具有从多个传感器到消息级解释的类似证据/假设层次，并且还在军事力量的理论层次的多个层次上提供证据。

HA-HI：通过层次对齐与层次交互协同fMRI与DTI用于轻度认知障碍诊断

HA-HI: Synergising fMRI and DTI through Hierarchical Alignments and Hierarchical Interactions for Mild Cognitive Impairment Diagnosis

本文提出HA-HI方法，通过层次对齐与层次交互协同融合fMRI和DTI特征，并开发协同激活图技术提升可解释性，在MCI和SCD早期诊断中优于现有方法。

Hierarchical Reinforcement Learning for Automatic Disease Diagnosis（面向自动疾病诊断的分层强化学习）

Hierarchical Reinforcement Learning for Automatic Disease Diagnosis

针对现有扁平策略疾病诊断对话系统在真实场景下效率不足的问题，提出融入两层分层策略的诊断方法，在多数据集上取得更高准确率和症状召回率，并构建基准推动后续研究。

面向罕见病诊断的多粒度概念稀疏激活与层级知识图谱融合框架

A Multi-granularity Concept Sparse Activation and Hierarchical Knowledge Graph Fusion Framework for Rare Disease Diagnosis

针对医疗大模型在罕见病诊断中知识表示、概念理解和临床推理不足的问题，提出多粒度概念稀疏激活结合层级知识图谱的框架，经实验和专家评估验证可有效提升诊断效果，缩短患者确诊历程。

基于概率的层次目标识别框架

A Probabilistic Framework for Hierarchical Goal Recognition

本文提出基于规划的概率框架，用于层次目标识别，结合层次任务网络结构与概率推理，提升目标识别性能。

乳腺癌标本报告的分层分类系统（HCSBC）——一个用于表征严重程度和诊断的端到端模型

Hierarchical Classification System for Breast Cancer Specimen Report (HCSBC) -- an end-to-end model for characterizing severity and diagnosis

提出一种基于层次化混合Transformer的端到端系统HCSBC，用于乳腺癌病理报告的分类，涵盖59个标签，在外部数据集上验证了性能，并公开了代码和应用。

GUIDE：通过分层诊断进行可解释的GUI代理评估

GUIDE: Interpretable GUI Agent Evaluation via Hierarchical Diagnosis

GUIDE通过分层诊断框架对GUI代理轨迹进行分解评估，提升评估的准确性和可解释性，有效解决长周期任务中的评估问题。

MedCollab：基于IBIS引导的多智能体协作与分层疾病关系链的临床诊断

MedCollab: IBIS-Guided Multi-Agent Collaboration with Hierarchical Disease Relation Chains for Clinical Diagnosis

提出MedCollab框架，通过IBIS结构化论证和分层疾病关系链（HDRC）增强多智能体协作，提升临床诊断的准确性、可追溯性和报告质量。

当刚性有害时：用于概率层次时间序列预测的软一致性正则化

When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting

针对概率层次时间序列预测中分布连贯性缺失及数据集不一致的问题，提出PROFHiT模型，通过分布连贯性正则化联合建模整个层次预测分布，显著提升了准确率、校准效果及缺失数据下的鲁棒性。

当刚性带来损害时：面向概率分层时间序列预测的软一致性正则化

When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting

针对概率分层时间序列预测中分布连贯性缺失及对不一致真实数据集适应性差的问题，提出全概率模型PROFHiT，通过引入Distributional Coherency正则化联合建模整个层级预测分布，显著提升了准确率、校准效果及对缺失数据的鲁棒性。

基于编译器的大语言模型Triton内核优化分层诊断

Compiler-Grounded Hierarchical Diagnosis for LLM-Based Triton Kernel Optimization

研究针对大语言模型内核优化中编译器优化失败原因难揭示的问题，提出基于编译器的Triton内核分层优化框架，通过跨层诊断实现从模式分类到源级重写的优化，在Ascend NPU上显著加速Triton内核。

HierMUD：用于基于驶过车辆损伤诊断的桥梁间分层多任务无监督领域自适应

HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis

提出HierMUD框架，通过分层多任务无监督领域自适应，利用对抗训练提取跨桥梁不变特征，无需目标桥梁标签即可实现高精度的损伤检测、定位与量化。

Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity

Functional connectivity network (FCN) data from functional magnetic resonance imaging (fMRI) is increasingly used for the diagnoses of brain disorders. However, state-of-the-art studies used to build the FCN using a single brain parcellation atlas at a certain spatial scale, which largely neglected functional interactions across different spatial scales in hierarchical manners. In this study, we propose a novel framework to perform multiscale FCN analysis for brain disorder diagnosis. We first use a set of well-defined multiscale atlases to compute multiscale FCNs. Then, we utilize biologicall…

Abstraction-Refinement for Hierarchical Probabilistic Models

Markov decision processes are a ubiquitous formalism for modelling systems with non-deterministic and probabilistic behavior. Verification of these models is subject to the famous state space explosion problem. We alleviate this problem by exploiting a hierarchical structure with repetitive parts. This structure not only occurs naturally in robotics, but also in probabilistic programs describing, e.g., network protocols. Such programs often repeatedly call a subroutine with similar behavior. In this paper, we focus on a local case, in which the subroutines have a limited effect on the overall …

基于深度泊松混合的概率分层预测

Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures

本文提出深度泊松混合网络（DPMN），结合神经网络与统计模型实现分层时间序列的准确且一致概率预测，在多个公共数据集上验证其效果。

深度层次知识损失用于故障强度诊断

Deep Hierarchical Knowledge Loss for Fault Intensity Diagnosis

本文提出深度层次知识损失框架，通过层次树损失和焦点层次树损失提升故障诊断的识别能力，实验表明在多个工业数据集上优于现有方法。

DEFault++: 用于变压器架构的自动故障检测、分类和诊断

Hierarchical Fault Detection and Diagnosis for Transformer Architectures

DEFault++通过三级抽象检测、分类和诊断变压器故障，利用原型匹配与监督对比学习在DEFault-bench上实现高检测准确率和分类性能。

基于Mealy机的逻辑属性数据驱动概率评估（带PAC置信度）

Data-Driven Probabilistic Evaluation of Logic Properties with PAC-Confidence on Mealy Machines

针对信息物理系统（CPS）模型缺失问题，提出基于Mealy机离散抽象和PAC学习范式的数据驱动方法，确定有限时间步内系统安全概率并提供置信度，通过自动车道保持系统案例验证有效性。

渐进滤波的概率建模

Probabilistic Modeling of Progressive Filtering

渐进式过滤是一种执行分层分类的简单方法，它的灵感来自于大多数人在尝试根据底层分类法对项目进行分类时的实践行为。分类法的每个节点与不同的类别相关联，可以通过查看向下通过所有节点的项目来可视化分类过程，这些节点将其接受为属于相应的类别。本文的目的是从概率的角度来建模的渐进式过滤技术，在一个层次化的文本分类设置。因此，基于渐进式滤波的系统的设计者在设计、训练和测试它的任务中应该得到便利。

基于模型诊断中不确定时间演化的建模

Modeling Uncertain Temporal Evolutions in Model-Based Diagnosis

虽然诊断问题的概念已经在静态系统的背景下进行了广泛的研究，在大多数实际应用中，建模系统的行为是显着的变化在时间。本文的目标是提出一种新的方法来建模的不确定性时变系统的时间演化和基于模型的时间诊断的表征。由于在大多数现实世界的情况下，知识的时间演变的系统被诊断是不确定的，我们考虑的情况下，概率的时间知识可用于系统的每个组成部分，我们选择通过马尔可夫链来建模。事实上，我们的目标是利用统计假设的可靠性理论的背景下，诊断时变系统。最后，我们将展示如何利用马尔可夫链理论，以丢弃，在诊断过程中，非常不可能的诊断。

多尺度概率生成理论：大语言模型中层级结构的统一信息论框架

Multi-Scale Probabilistic Generation Theory: A Unified Information-Theoretic Framework for Hierarchical Structure in Large Language Models

本文提出多尺度概率生成理论（MSPGT），将大语言模型视为层级变分信息瓶颈系统，通过跨模型实验验证其内部多尺度组织，推动可解释性向预测性信息论理解发展。

计数线索：一个轻量级概率基线可以匹配LLM

Counting Clues: A Lightweight Probabilistic Baseline Can Match an LLM

本文提出了一种轻量级概率排名器FBPR，通过共现统计信息实现与LLM相当的性能，展示了概率基线在临床诊断中的互补优势。

导航层次结构：用于疾病诊断的脑图双曲学习

Navigating Hierarchy: Hyperbolic Learning on Brain Graphs for Disorder Diagnosis

研究针对现有脑图建模方法不足，提出双曲脑图学习（HLBG）框架，利用双曲空间层次几何建模脑网络层次关系，引入GaMamba模型，实验证明其优于现有方法，能识别疾病相关功能生物标志物。

基于分层逆强化学习的交互驾驶行为概率预测

Probabilistic Prediction of Interactive Driving Behavior via Hierarchical Inverse Reinforcement Learning

自动驾驶汽车（AVs）已经上路。为了安全有效地与其他道路参与者进行交互，自动驾驶汽车必须准确预测周围车辆的行为并相应地进行规划。这种预测应该是概率性的，以解决人类行为中的不确定性。这种预测也应该是互动的，因为在所有可能的轨迹的预测车辆的分布不仅取决于历史信息，但也对未来的计划，其他车辆与它互动。为了实现这种互动感知的预测，我们提出了一种概率预测方法的基础上分层逆强化学习（IRL）。首先，我们明确地考虑了人类驾驶员的分层自动生成过程，涉及离散和连续的驾驶决策。在此基础上，在所有未来轨迹的预测车辆的分布被制定为一个混合的分布划分的离散决策。然后，我们应用IRL分层学习分布从真正的人类示威。提供了一个案例研究的坡道合并驾驶方案。定量结果表明，所提出的方法可以准确地预测离散的驾驶决策，如屈服或通过以及连续的轨迹。

逆动力学概率学习的变分层次混合模型

Variational Hierarchical Mixtures for Probabilistic Learning of Inverse Dynamics

本文提出一种结合概率核机器与可扩展自动机优势的概率层次建模范式，基于贝叶斯非参数原理构建可自适应数据复杂度的层次无限局部回归模型，并推导两种变分推断技术，在大型逆动力学数据集及真实控制场景中验证其高效性与优势。

RoboLDA：一种用于揭示体素软机器人具身层次结构的概率生成模型

RoboLDA: A Probabilistic Generative Model for Uncovering Embodied Hierarchical Structures in Voxel-based Soft Robots

RoboLDA通过贝叶斯概率模型将体素软机器人形态生成分解为任务-机器人-器官-体素四层层次，利用变分推断提取设计先验，实现零样本设计，性能达进化算法的106.4%。

用于分层强化学习的概率子目标表示

Probabilistic Subgoal Representations for Hierarchical Reinforcement learning

针对分层强化学习中确定性子目标表示的局限，提出基于高斯过程的概率子目标表示方法，通过可学习核利用长程关联、构建自适应记忆，结合新学习目标实现统一训练，在多类环境中性能优于现有基线且具备低层策略迁移能力。

MetaCOG：一种用于学习元认知视觉表征的分层概率模型

MetaCOG: A Hierarchical Probabilistic Model for Learning Meta-Cognitive Visual Representations

受人类元认知能力启发，提出可附加于神经目标检测器的分层概率模型MetaCOG，通过贝叶斯推理学习检测器性能表征，结合物体恒存性做联合推理，能在无真值时提升系统准确率并具备误差鲁棒性。

基于概率加密足迹的勒索软件检测分层模式解密方法

Hierarchical Pattern Decryption Methodology for Ransomware Detection Using Probabilistic Cryptographic Footprints

本文提出一种基于概率加密足迹的分层检测框架，结合聚类与机器学习，以高准确率和低误报率识别勒索软件异常，并具备实时响应与可扩展性。

通过分层时间抽象学习世界模型：一种概率视角

Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective

针对状态空间模型作为世界模型的局限性，提出Hidden-Parameter SSMs和Multi-Time Scale SSMs两种概率形式化体系，实现可扩展的分层时间抽象与不确定性建模，在长程预测任务中超越Transformer变体。

基于Kullback-Leibler散度正则化的概率预测协调

Probabilistic Forecast Reconciliation with Kullback-Leibler Divergence Regularization

针对概率预测协调中准确性与一致性权衡问题，提出一种将预测与协调步骤融合的深度学习框架，通过引入Kullback-Leibler散度正则化项实现灵活软化协调，在三个分层时间序列数据集上验证了其优越性。

Functional Space Variational Inference for Uncertainty Estimation in Computer Aided Diagnosis

Deep neural networks have revolutionized medical image analysis and disease diagnosis. Despite their impressive performance, it is difficult to generate well-calibrated probabilistic outputs for such networks, which makes them uninterpretable black boxes. Bayesian neural networks provide a principled approach for modelling uncertainty and increasing patient safety, but they have a large computational overhead and provide limited improvement in calibration. In this work, by taking skin lesion classification as an example task, we show that by shifting Bayesian inference to the functional space …