本文介绍一种新型的 DP 重新参数化方法，该方法在聚类分析中广泛使用，能够实现 DP 的并行学习，从而提高了学习速度和效率，同时该方法不需要改变模型并且能够保持标准后验分布不变。

Apr, 2013

基于 Poisson 随机测度的离散随机概率测度的后验分析方法，能够应用于广泛的贝叶斯非参数和空间统计模型，其技术是基于 Laplace 变换和 Poisson 随机分割方法的，表现出其很高的灵活性并能描述各种随机概率测度和随机危害等。

Aug, 2005

本文研究了用于密度估计的柏努利处理（DP）混合模型的计算问题，并提出了一种可用于大数据集的搜素算法。

Jul, 2009

本文重点介绍了 Gibbs-type 先验概率的家族和它们在贝叶斯非参数推断中的应用，涵盖其分布特性、估计器、经验验证和构建时间相关版本，并以层次混合模型和物种抽样为例说明其主要思想。

Feb, 2015

该研究提出了一种用于回归问题的监督层次狄利克雷过程模型（sHDP），并与另一种流行的回归模型进行了比较和评估，结果表明该模型适用于实际分类与回归问题中的数据集，并能够通过数据结构和标签联合学习，构建一种可预测性的分类聚类。

Dec, 2014

提出一种适用于在线聚类和参数估计的低复杂度的序列推理过程，通过更新超参数并使用共轭先验假设，提出了易于计算的条件似然函数的闭形式参数化表达式和 Dirichlet 过程的自适应低复杂度设计。实验结果表明该方法优于其他在线最先进的方法。

Sep, 2014

本研究提出了一种通用的建模框架，通过结合非参数狄利克雷过程混合模型和非参数或半参数建模，用于标记泊松过程的强度和密度函数建模，包括建议的核函数选取、先验规范和后验模拟等内容，并讨论了模型检验的方法，最后以模拟和真实数据集为例进行了说明。

Dec, 2010

本文介绍了蒙特卡洛仿真的泊松过程模型，解释了如何通过扰动和最大化质量函数来完成对离散分布的采样。并通过构建随机函数的方法用于无限空间中的泊松过程模型，综述了 A * 采样和 OS * 采样两种不同蒙特卡洛方法。

Feb, 2016

使用改进的参数分布推导出来自 Dirichlet-Multinomial 分布的 Powered 中餐厅过程，以解决 Dirichlet 先验不一定是建模数据的最佳选择的问题，并提供直接控制 “富人越富” 先验重要性的新公式。

Apr, 2021

本研究表明，确定性点过程 (DPP) 是描述空间点模式数据集的有用模型，但其统计模型和方法基本上未被探索。因此，我们利用 DPP 的概率特性，开发出参数模型，它可以很容易地评估其似然和矩表达式，并且可以快速模拟其实现。我们讨论了如何使用 DPP 模型的似然或矩性质进行统计推断，并提供了可自由使用的软件进行模拟和统计推断。

May, 2012