本文关注 Bradley-Terry-Luce 模型中的成对比较问题，并通过对图论的分析，提出了能够在有限条件下对排名进行准确估计的算法，并在大规模实验中证实了该算法的可行性。

Apr, 2023

本文提出了一种通用的在线版本 Expectation-Maximisation 算法，适用于独立观测的隐变量模型，可以更直接地将模型分布与观测的边际分布联系起来，而无需进行完整数据分布的积分，实现了一定的简化和加快收敛的效果，并且还适用于条件模型，例如本文所举出的线性回归模型的混合模型。

Dec, 2007

本文提出了一种使用序列蒙特卡洛和进化算法采样的贝叶斯决策树数值方法，比传统的马尔可夫链蒙特卡洛方法有更快的迭代速度，并且能够更准确地对复杂和不确定的数据进行建模。

May, 2023

本文介绍了一种可靠而相对简单的取样方法 ——bridge sampling, 以及它在近期较为热门的强化学习模型里的应用，证明其在数学心理学中是一种可行的取样估计方法。

Mar, 2017

本文提出并评估贝叶斯加性回归树（BART）与其他已有方法（如 IPTWM、TMLE、向量匹配和回归调整等）在多个处理方式时，因为结果是二进制的而缺乏强大的估计因果效应的方法。结果表明，在处理分配和结果生成机制的非线性和非可加性的情况下，BART、TMLE 和采用广义提升模型（GBM）的 IPTW 提供更好的偏差降低和较小的均方根误差，本文还提出了一种用于特定处理的共同支持区域来获得更好的外推结果和保持推断的方法。

Jan, 2020

该论文研究了在一般和更实际的设置中使用光谱方法估计和不确定性量化未观察到的被比较实体的偏好分数的性能，其中比较图包含可能具有异构大小的超边，并且对于给定超边，比较的数量可以低至一次。此外，在适用 BTL 或 PL 模型的情况下，我们揭示了光谱估计量与最大似然估计量之间的关系。我们发现，使用从等权重光谱方法估计的最优加权的两步光谱方法可以达到与 MLE 相同的渐近效率。鉴于估计的偏好分数的渐近分布，我们还介绍了一个全面的框架，可以在固定和随机图设置中进行一样本和两样本排名推断。值得注意的是，这是首次提出有效的双样本排名测试方法。最后，我们通过全面的数值模拟验证了我们的发现，然后应用我们开发的方法对统计学期刊和电影排名进行统计推断。

Aug, 2023

这篇论文介绍了基于能量的模型（EBM）及其训练方法，包括最大似然训练法和 MCMC 自由法，同时介绍了 SM 和 NCE 等方法并强调它们三者之间的理论联系。

Jan, 2021

本文介绍了一种基于 Jarzynski 平等和序贯蒙特卡洛抽样工具的改进型未校正 Langevin 算法来更有效地计算交叉熵的梯度，避免了标准对比散度算法中存在的不可控逼近问题，在高斯混合分布和 MNIST 数据集上的实验结果均显示该方法优于对比散度算法。

May, 2023

在文本生成任务中，我们提出了基于模型的 MBR（MBMBR）方法，它使用模型概率本身作为概率分布的估计值，通过理论和实验证明模型估计优于蒙特卡洛估计，并且在多个文本生成任务中，包括编码 - 解码模型和大型语言模型中，MBMBR 表现优于 MBR。

Nov, 2023

本文介绍了一种使用名为结构 EM 的算法进行贝叶斯模型学习的方法，该算法可以有效地从不完整数据中学习信念网络的结构，并可用于学习各种概率模型，包括贝叶斯网络和其变体。

Jan, 2013