研究了一种基于经验贝叶斯方法的估计计算模型，可以适应稀疏和密集序列，使用这种模型可以实现多种类型和程度的稀疏度，包括 “几乎黑线性” 序列和规范化的 Lp 范数序列。结果表明，该方法在各类序列估计速率方面达到最优状态，并且能够自动适应底层信号的稀疏性。

Oct, 2004

研究了稀疏均值向量条件下多元正态均值模型的马蹄铁估计器，证明当均值向量的非零参数的数量已知时，马蹄铁估计器达到最小化均方误差风险，提供了一些条件以使马蹄铁估计器与经验贝叶斯估计的非零均值的数量相结合仍产生最小化风险。此外，对后验分布的收缩速率和后验方差进行了上限和下限估计，表明马蹄铁先验的后验分布可能比其他单分量先验的后验分布更有信息。

Apr, 2014

研究高维线性回归的完全贝叶斯程序，旨在寻找未知的稀疏矢量，选择正确的稀疏模型或显著不同于零的系数，并构建和研究置信集以量化不确定性。

Mar, 2014

本文提出了一种用于高维稀疏因子模型的新贝叶斯推理方法，该方法允许推断因子维数和载荷矩阵的稀疏结构；介绍了一种特定的依赖关系，使得后验分布在保持计算可行性的同时自适应聚焦于正确的因子维度和载荷矩阵的稀疏水平；数值研究表明该方法表现优异。

May, 2023

本文着眼于以准 - Bayesian 分析非参数工具变量模型为主题，并重点关注准后验分布的渐近特性。

Apr, 2012

本篇论文从众多维度描述了对象的角度出发，提出了一种新的方法来解决稀疏正常分布下的样本均值的估计问题，进一步推导出极小极大下的收敛率，且得到了最优收敛率，并将该方法与其他方法进行了比较。

Dec, 2006

本文基于最大后验 (MAP) 估计，提出了一种包含参数先验信息的贝叶斯推断层次结构，同时提供了相关的计算实例和应用案例，探讨了在高维数据下，在变量选择等问题中贝叶斯方法的优势与局限性。

Sep, 2010

研究误差模型下贝叶斯后验分布的渐近行为并研究多个假设，包括基于距离定义的偏差度量，以及应用于凸模型和非凸模型的加权 L1 度量，并探讨其扩展至不独立等但相互独立的情况。

Dec, 2013

本文研究了非参数逆问题中的后验分布，证明其收敛于真实参数的速率取决于参数的平滑度以及先验的平滑度和尺度。正确组合这些特征可以实现最小化速率。显示可信度集的频率覆盖取决于先验和真实参数的组合，先验更平滑会导致零覆盖，而粗糙的先验会导致保守的覆盖。在后一种情况下，可信区间的数量级是正确的。通过恢复受噪音干扰的基本函数的问题进行了数值演示。

Mar, 2011

本文综述了贝叶斯及相关方法在高维模型中的性质，如许多正常问题，线性回归，广义线性模型，高斯和非高斯图模型等。同时也讨论了有效的计算方法。

Jan, 2021