使用通用的概率建模语言和泛用的 Metropolis-Hastings MCMC 算法，通过使用部分世界的 MCMC 状态，探索了一种基于上下文特定贝叶斯网络的可通用的 MCMC 引擎，可进行如记录链接和多目标跟踪之类的推理任务。实验结果表明，我们的通用 MCMC 引擎与特定应用系统相比具有较高的吻合度。

Jun, 2012

提出一种可扩展的基于分布式随机梯度 Langevin 动力学的贝叶斯矩阵分解算法，具备与标准 MCMC 方法相同的预测准确性，同时速度快、简单，并以 Netflix 数据集为例，实现与 Gibbs 采样相当的预测准确性但快一个数量级。

Mar, 2015

本文提出一种基于条件独立性检验的后验逼近方法，用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法，该方法能够实现更佳的精度、可伸缩性和混合采样效果，同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。

Mar, 2018

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

通过提出一种新的框架，使用顺序蒙特卡罗方法对概率图模型进行推断，其目的是通过针对辅助分布来逼近概率图模型定义的全联合分布，并用于构建一般 PGM 的高维块采样算法。

Feb, 2014

该研究提出了 Macau 一种能够对异构数据进行贝叶斯分解的方法，它可以处理任意由关系模型表示的实体和关系集，并可以包含实体和关系特征，被证明在药物 - 蛋白质活性预测任务中具有优异表现。

Sep, 2015

本文介绍了 Moeller 等人（2004）的辅助变量方案，该方案用于从具有难以处理的归一化常数的分布中进行准确的抽样，并提出了一种新的 MCMC 算法，提高提议分布的接受概率，并在采样之前消除模型参数估计的需求。

Jun, 2012

深度学习模型不确定性估计中，传统的高斯分布不一定适用。本研究提出了一种构建计算图框架的方法，通过识别概率分布族，实现计算图的纬度独立或者仅仅弱相关，并进行蒙特卡罗采样来估计 KL 散度等指标，从而提高图像识别的准确性、稳定性以及训练过程中的内存和时间效率。

Feb, 2022

通过先前推理的后验估计，训练一种判别模型，即神经网络，来逼近最优提议分布，最终在 Anglican 概率编程系统中呈现一种非参数模型中基于数据驱动提议的实例，并表明数据驱动提议可以显著提高推理性能，从而需要更少粒子进行良好的后验估计。

Dec, 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