研究高维线性回归的完全贝叶斯程序，旨在寻找未知的稀疏矢量，选择正确的稀疏模型或显著不同于零的系数，并构建和研究置信集以量化不确定性。

Mar, 2014

本文研究高维贝叶斯线性回归的计算复杂度，介绍了一种截尾稀疏先验变量选择方法，通过 Metropolis-Hastings 算法，保证了变量选择的一致性和快速混合。

May, 2015

本研究提出了一种概率稀疏性先验，用于建模相对于通用基的稀疏性，并设计了一个神经网络作为线性逆问题的贝叶斯估计器。通过与常用的稀疏性促进正则化技术进行比较，我们的重建方法在所有使用的一维数据集上均表现出更低的均方误差值。

Jan, 2024

本文提出了一种新的基于贝叶斯原则的稀疏学习（SBL）的 “矩阵完成” 和 “鲁棒主成分分析” 算法，该方法通过将低秩约束作为稀疏约束来确定正确的秩，并能提供很高的恢复性能。

Feb, 2011

本文研究了在数据量大、似然不为高斯分布和协方差函数参数后验估计方面如何高效地计算，提出了一种稀疏的变分近似方法和混合蒙特卡洛采样策略，实现了同时估计函数值和协方差参数。

Jun, 2015

本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

Oct, 2012

本文介绍了一种基于贝叶斯思想的算法框架，通过查询稀疏线性模型后验协方差来解决高阶贝叶斯决策问题，并且利用该算法框架成功地推动了磁共振成像的采样轨迹优化，为实际图像的压缩感知提供了新的启示。

Oct, 2008

介绍了一种名为 AMCA 的新型稀疏性 BSS 方法，旨在检索稀疏且部分相关的来源，并在宇宙物理学领域进行了广泛的数值实验以证明该算法的鲁棒性

Dec, 2014

本文基于最大后验 (MAP) 估计，提出了一种包含参数先验信息的贝叶斯推断层次结构，同时提供了相关的计算实例和应用案例，探讨了在高维数据下，在变量选择等问题中贝叶斯方法的优势与局限性。

Sep, 2010

本文提出一种基于局部稀疏逼近的分离技术，并实现了在线学习字典以稀疏地建模背景声源，从而分离已知源与未知背景源的单个线性混合声源问题，并通过音频数据模拟展示了该方法的性能。

Dec, 2012