本文提出了一种将概率应用于不完整的数据库中的方法，使用 Markov chain Monte Carlo（MCMC）来恢复不确定性，提供对任意图形模型和关系代数公式的高效查询，并演示了与 materialized view 维护技术之间的联系。

May, 2010

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

本研究提出使用基于梯度的学习方法来自适应马尔可夫链蒙特卡罗（MCMC）提议分布，应用随机梯度优化能通过定义的最大熵正则化目标函数来优化提议分布的参数，并证明相比传统自适应 MCMC 方法，该方法带有更高的性能；并应用于多元随机步长 Metropolis 和 Metropolis-adjusted Langevin 提议与完整协方差矩阵，并证实该方法在 MCMC 算法中表现优异，包括哈密顿蒙特卡罗方案。

Nov, 2019

提出了一种基于局部信息的 MCMC 算法设计关键框架，可以在离散和连续的参数空间下应用，得到了最优提案分布类 - 局部平衡提案的显式表达式，并证明了其在高维情况下的 Peskin 最优性。在贝叶斯记录链接等数据集上的结果表明，与其他 MCMC 技术相比，该算法在离散空间中能提供数量级上的效率改进，并与基于梯度的 MCMC 技术有直接的联系。

Nov, 2017

本文提出了利用 Markov Chain Monte Carlo (MCMC) 方法解决参数控制问题的技术，并进行了多项改进，以在高维空间下更加实用。我们首先介绍了一种新的目标分布，能够从采样轨迹中合并更多的回报信息。我们还展示了如何有效地破解政策参数与采样轨迹之间较强的相关性，以便更自由地采样。最后，我们展示了如何以原则性方式将这些技术结合起来，从而获得最优策略的估计结果。

May, 2012

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

本文介绍了一种名为随机梯度马尔可夫链蒙特卡罗（SGMCMC）的可扩展蒙特卡罗算法，其利用数据子抽样技术降低了 MCMC 的迭代成本，并比较了其效率与 MCMC 在基准示例上的异同。

Jul, 2019

介绍一种新型学习算法，该算法结合了变分逼近和马尔可夫链蒙特卡罗（MCMC）模拟，它的目的是更好地估计高阶时刻，如协方差，并用于逻辑信念网络的贝叶斯参数估计问题。

Jan, 2013

本文提出了通过全局变量一致优化的工具性层级模型，将似然函数表示为多个数据子集相关的项的乘积。该模型下引入了辅助统计参数并得到了基于扩展状态空间的分布式 MCMC 算法，同时提出了 SMC 采样器用于自动确定合适的关联强度并应用于偏差校正技术。

Jul, 2018