使用 Polya-Gamma 潜变量进行逻辑回归模型的贝叶斯推断
本文介绍使用正则化常量和 Gibbs 采样算法的辅助泊松 - 伽马变量，增强 PF 主题模型的性能。实证结果表明，该算法可以显著提高预测性能和时间效率
Oct, 2013
使用逻辑棒式分解法和泊松 - 伽马增强技术对多项分布进行重新定义，提出具有联合高斯似然的潜在变量，从而利用广泛的高斯模型贝叶斯推断技术，实现对具有相关性的离散数据的建模。
Jun, 2015
本研究提出了一种基于负二项式拟合的 lognormal 和 gamma 混合模型，应用了贝叶斯推断，实现了回归系数的稀疏性先验等效果，提高了贝叶斯方法计算的简洁性和效率。
Jun, 2012
提出了一种可扩展的基于 Polya-Gamma 数据增强和诱导点的随机变分方法，通过自然梯度得到闭合式更新以实现高效优化，对真实世界数据集进行了评估并展示了其具有与最先进技术竞争的预测性能，可以比同类算法快两个数量级。
Feb, 2018
本文提出了一种新的非同质隐马尔可夫模型推理算法，该算法允许我们处理在状态转移模型以及发射分布中引入的非齐次性，充分体现了贝叶斯分析在这一领域中的优势。
Jan, 2017
本文研究了使用梯度的 log posterior 方法来控制梯度估计方差的问题，并应用到伽马分布潜在变量中，以实现稀疏性和非负性适用的模型的黑盒变分推断。该方法在网络数据的伽马过程模型和一种新型的稀疏因子分析中的应用效果均优于传统采样算法和对变换后变量使用高斯变分分布的方法。
Sep, 2015
展示了贝叶斯边际似然和频率 PAC-Bayesian 风险边界之间的联系；在最小化 PAC-Bayesian 广义化风险上推导了最大化贝叶斯边际似然；针对未约束损失函数提出了适用于亚伽马损失函数族的 PAC-Bayesian 定理，并在贝叶斯线性回归任务中表明其方法的有效性。
May, 2016
该论文介绍了病态模型中使用简单的 VB 策略进行贝叶斯推断的方法，其中特别探讨了在具有 logit 组件的模型中，logistic likelihood 和 linear predictor 系数的 Gaussian prior 之间的缺乏互补关系，并提供了一种新的方法进行有效的推断。
Nov, 2017
本文介绍了两个新的取样方法，用于更高效地从 Pólya-Gamma 分布中采样，特别是当 $b$ 不为 $1$ 时，可用于数据增广。
May, 2014