本文提出了嵌套的中餐馆过程 (nCRP)，它将概率分布分配给无限深度、无限分支的树。将该随机过程用作文献集合的贝叶斯非参数模型的先验分布，并演示了其在信息检索中的应用，其中文档被建模为沿随机树的路径，nCRP 的优先附着动力学根据多个抽象级别上的主题共享将文档聚类。给定一组文档，后验推断算法找到一个关于树、主题和单词分配到树的级别的后验分布的近似值，本文在几个期刊的科学文摘集合上演示了此算法。

Oct, 2007

本研究介绍了一种名为层次狄利克雷缩放过程（HDSP）的 Bayesian 非参数混合成员模型，可以泛化层次狄利克雷过程（HDP），以模拟语料库中元数据和混合成分之间的相关结构。通过实验，表明 HDSP 产生的预测性能比其他几个模型更好。

Mar, 2014

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

该研究介绍了一种针对文档群集的 Hierarchical Dirichlet process (HDP) 模型，描述了一种新的 split-merge MCMC 采样算法用于后验推断，这种算法可以显著改善传统的 Gibbs 采样，并且给出了一些因数据属性而导致的改进理解。

Jan, 2012

该论文介绍了一种新颖的优化框架，用于解决现代机器学习应用中的关键挑战：高维度、分布不确定性和数据异质性。该方法通过使用分层狄利克雷过程（HDP）先验，有效处理多源数据，实现正则化、分布鲁棒性，并在不同但相关的数据生成过程之间共享强度。通过建立基于狄利克雷过程（DP）理论的理论性能保证和可处理的蒙特卡洛近似，我们展示了该方法的优势。数值实验证实了该框架在改善和稳定预测和参数估计精度方面的功效，展示了它在复杂数据环境中的应用潜力。

May, 2024

开发一种依赖分层规范随机测度的方法并将其应用于动态主题建模，该方法通过测度的底层泊松过程的叠加、子采样和点转移来形成依赖关系，使用的测度包括呈幂律特性的规范化广义伽玛过程，此外，实验表明，通过该方法的模型比以前模型的效果更好。

Jun, 2012

本研究旨在使用基于概率主题模型的层次狄利克雷过程（HDP）方法进行社交媒体平台上的子事件检测，并对其性能与基于局部敏感哈希和谱聚类的现有方法进行比较，结果表明 HDP 具有更高的召回率和更高的精度。此外，研究还显示，在 Twitter 数据集上，会话结构也可以用于显著提高子事件检测的性能。

Jun, 2016

本研究介绍了双重随机变分神经过程 (DSVNP) 这种新型的神经过程变量模型，该模型结合了全局和局部潜在变量以用于预测，并在多输出回归和分类不确定性估计中展示了竞争性的预测表现。

Aug, 2020

开发了一种方法，基于文本内容和发布时间创建文本文档的聚类，即 Powered Dirichlet-Hawkes process (PDHP)，相比最先进的模型，当文本信息解释能力较差时，PDHP 获得了显著更好的结果，还证明了文本内容和时间动态并非完全相关。

Jan, 2022

本文介绍了 Poisson-Dirichlet 过程及其在 Bayesian 建模中的应用，包括构建离散问题的先验、后验和计算技巧，还介绍了分割、共轭、分形和聚类等特性。

Jul, 2010