本文提出了一种利用贝叶斯非参数方法描述点云和表面法线密度，利用分支定界优化恢复相对变换的点云对准的全新方法，采用 4D 四面体的旋转空间细分来提高优化效率，并在最后的实验中展示了该方法的高效性和对真实世界的鲁棒性。

Mar, 2016

本文介绍一种基于 Beta 累积分布函数的自适应学习输入空间的方法，针对多任务贝叶斯优化问题，将多个任务共同映射为稳定的空间，实验结果表明，该方法可以大幅提升全局寻优的效率和准确性。

Feb, 2014

本文从贝叶斯非参数的角度出发，重新审视了 k-means 聚类算法。通过分析 Dirichlet 过程混合物的 Gibbs 抽样算法，我们发现这个算法在极限下接近于硬聚类算法，可以优雅且单调地最小化一个类似 k-means 的聚类目标，包括对聚类数的惩罚。我们将这个方法推广到了多个数据集的聚类情况，并讨论了进一步的扩展，包括门槛特征向量的光谱松弛和在图中不需要固定聚类数的归一化割图聚类算法。

Nov, 2011

提出了一种新的多聚类方法，该方法使用非参数贝叶斯方法进行模型推断，使用变分推断来求解，该方法在处理高维度数据时更为适用，在聚类时模型同时处理了数值型和分类型变量，应用该方法于真实数据集时能够推出数据集的聚类结构信息，并可应用于抑郁症数据集上。

Oct, 2015

使用深度神经网络对多元准周期函数进行联合对齐，既保留相位和振幅的变异性，又使用基于 Fisher-Rao 度量的损失函数进行模型训练，适用于可穿戴设备等多个领域的多元功能数据的统计分析。

Nov, 2023

应用小方差渐近方法直接处理贝叶斯非参数模型的后验概率，得到一种超越聚类的特征学习目标函数，并提出一些易于实现的新算法，这些算法的效果被实验结果验证。

Dec, 2012

本研究提出了一种基于潜在的共享信息的贝叶斯方法，用于建模时间序列的非线性对齐，并将该方法应用于传感器数据中寻找风力涡轮机数据中的共同结构。提出的模型允许输入的任意对齐和非参数输出扭曲以转换观察结果。

Oct, 2017

提出了一种基于贝叶斯非参数方法的、不需要假定模型真实的学习方法，该方法利用统计模型但不要求模型真实，并且具有比参数模型更好的性质，并可通过蒙特卡罗采样方案在现代计算机架构上实现大规模计算。

Jun, 2018

本文提出了一种贝叶斯非参数方法来联合建模多个相关时间序列，该模型可以发现一组隐含的动态行为，并将每个时间序列分段为由这些行为的一个子集定义的区域。使用 Beta 过程先验，通过数据推断了行为集的大小和共享模式，基于印度自助餐表示的 Beta 过程预测分布的 MCMC 推理算法，通过新颖的拆分 - 合并移动以及数据驱动的出生和死亡建议，有效地添加和移除行为，并避免考虑截断模型。我们在无监督分割人体动作捕捉数据中取得了令人满意的结果。

Aug, 2013

介绍贝叶斯非参数方法，这是一种避免模型选择问题的方法，是一个高级入门，包含多个应用示例。

Jun, 2011