本文研究了能量模型（Energy-Based Model, EBM）这一基础学习问题。EBM 的学习通常可通过最大似然估计（Maximum Likelihood Estimation, MLE）实现，而该过程往往依赖马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）采样方法，例如朗之万动力学（Langevin dynamics）。然而，在实际应用中，以噪声初始化的朗之万动力学往往难以收敛且混合效率低下。这一挑战促使研究者探索将生成模型（generator model）与 EBM 进行联合训练，使生成模型作为互补模型，以绕过对 MCMC 采样的依赖。然而，此类方法的精度通常低于标准 MCMC 方法，可能导致 EBM 学习出现偏差。另一方面，生成模型也可作为更优的初始化模型，以提升 EBM 的 MCMC 采样效果。但其学习过程本身可能受到偏差影响，因为生成模型仅需匹配 EBM 的分布，而无法直接接触真实数据样本。这种偏差会限制生成模型对 EBM 学习的潜在增益。为解决上述问题，本文提出一种联合学习框架，将 EBM 与互补生成模型的最大似然学习算法进行交织式优化。具体而言，生成模型通过 MLE 同时拟合 EBM 的分布与真实数据分布，从而成为更具有信息量的初始状态，显著提升 EBM 的 MCMC 采样效率。在利用观测数据训练生成模型时，通常需要对生成模型的后验分布进行推断。为实现高效且准确的推断，本文采用 MCMC 后验采样，并引入一个互补的推断模型，用于初始化该潜在空间中的 MCMC 采样过程。实验表明，通过两次（对偶）MCMC 教学机制，可将三个独立模型——EBM、生成模型与推断模型——无缝整合进统一的联合学习框架中，从而实现高效且有效的 EBM 学习。