本文提出一种基于贝叶斯网络结构学习的方法，用于无监督结构学习深度神经网络，通过生成图，构建其随机反向，然后构建一个判别图，证明生成图的潜变量之间的条件依赖关系在条件 “分类条件下” 丢失在判别图，从而实现通用网络深层（卷积和密集）的学习结构替代，在保持分类准确性的同时显著减少计算成本。

Jun, 2018

本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。

Jun, 2012

本文提出了一种基于贝叶斯非参数潜变量模型的非线性方法，假设潜空间先验为稀疏和无限维。该方法通过使用印度自助餐过程先验在潜变量上，自动且概率地选择潜变量数目，保证潜变量空间中实例化的维度数目是有限的，实现了稀疏、非线性的潜变量建模，引入随机傅里叶近似法以简化推理，并通过马尔可夫链 - 蒙特卡罗采样容易地实现后验推断。该方法适用于超出高斯设置范围的多种观察模型，在合成、生物和文本数据集上的表现优于以往的潜变量模型。

May, 2022

使用 Kurihara 和 Welling（2008 年）的极大期望框架进行线性高斯潜在特征模型的近似 MAP 推断，在模型证据的下限上得到一种次模函数。通过使用贪心算法最大化此函数，我们的推理方法与输入数据的规模呈线性比例。

Apr, 2013

本文提出了一个完全可微分的贝叶斯结构学习框架（DiBS），它操作在潜在概率图表达的连续空间中，并且对于局部条件分布的形式不加区分，允许联合后验推断图形结构和条件分布参数，从而直接适用于后验推断复杂的贝叶斯网络模型。使用 DiBS，我们设计了一种有效的通用变分推理方法，以近似结构模型的分布。实验结果表明，我们的方法在联合后验推断方面显著优于相关方法。

May, 2021

提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

Mar, 2018

从平滑信号观测中的贝叶斯神经网络推断出的图结构学习以及不确定性量化可应用于数据结构不确定性至关重要的中小规模应用。

Jun, 2024

本文介绍了一个基于多层生成模型的主题模型深度架构，通过该模型可发现可解释的主题层级结构，对于提高主题模型的建模精度和可解释性具有显著作用。

Nov, 2018

我们提出了 Wright-Fisher 印度自助餐过程 (WF-IBP)，这是一个适用于贝叶斯非参数特征分配模型的概率模型，其中潜在特征根据时间表现出依赖结构，我们描述了一个复杂的 Markov Chain Monte Carlo 算法来对其进行确切的后验模拟，并将其应用于开发无参数的主题模型。

Nov, 2016

我们提出了一种快速的非迭代近似推理方法，通过前馈网络实现从变分后验进行有效精确抽样，该方法通过应用几种直观的模型独立方差减少技术，优于 MNIST 和 Reuters RCV1 文件数据集上的唤醒 - 睡眠算法，并取得了最新成果。

Jan, 2014