本文提出了一种将预测和更新结合为单一步骤的广义标记多伯努利（GLMB）滤波器高效的实现方法。相比于先前的方法，本方法仅需要每次迭代进行一次截断。此外，还提出了一种基于吉布斯采样的有效截断算法。所得到的实现在测量数量的线性复杂度和假定物体的二次复杂度下运行。

Jun, 2016

本文提出了使用自适应学习框架解决多目标过滤的固定运动和测量模型问题，通过使用随机有限集术语定义目标元组以及利用具有长短期记忆结构的递归神经网络，提出了一种与预测轨迹元组兼容的新型数据关联算法，使得能够更新被遮挡的目标以及分配目标的出生、存活和死亡。该算法在一个常用的过滤器模拟场景中进行了评估，结果非常有前途。

Jun, 2018

本文提出了一种基于因子图的置信传播方法，用于跟踪未知数量的目标，实现了低计算复杂度和优秀的可扩展性，具有比其他方法更加有利的计算复杂度，能够适用于目标跟踪等领域。

Jul, 2016

本研究开发了一种双向算法来估计马尔可夫链的多步转移概率，该方法适用于离散状态空间上的任何马尔可夫链，可以用于计算多步转移概率的函数，并且在 “稀疏” 马尔可夫链中，该方法的运行时间比 Monte Carlo 和功率迭代算法更小。

Jul, 2015

本文提出了一种分布式多目标跟踪算法，通过使用基于广义协方差交叉的多伯努利（MB）滤波器。该算法采用连续分布跟踪和序列蒙特卡罗采样技术，同时证明由于融合的多目标跟踪模型复杂度，直接求解其融合后的后验分布是不现实的。

Mar, 2016

本研究提出使用 Ensemble Kalman Filter 对神经网络权重的不确定性进行近似估计，结合最大似然估计优化噪声分布协方差，以应用于通过 Twitter 平台检测真实世界事件中的异常值。

Dec, 2017

本研究提出一种基于在线学习的跟踪问题新框架及其高效算法，并在模拟数据上与贝叶斯算法进行实验比较，结果表明当存在轻微的模型不匹配时，我们的算法优于贝叶斯算法。

Mar, 2012

本研究通过样本的简化抽样学习了一个代表复杂模型的概率分布，该模型有广泛的应用范围，包括无监督学习，主题模型和协同过滤。

Apr, 2015

该论文研究了大规模组目标跟踪问题，提出了一种基于置信传播（BP）框架的可扩展组目标置信传播（GTBP）方法，将目标存在变量、组结构、数据关联和目标状态联合推断计算，具有良好的可扩展性和低计算复杂度。

Aug, 2022

该研究提出了一种高效的在线近似贝叶斯推断算法，用于从可能的非静态数据流中估计非线性函数的参数，并通过使用后验精度矩阵的新型低秩加对角线分解，使每步成本与模型参数数量呈线性关系，与基于随机变分推断的方法相比，我们的方法是完全确定性的，不需要步长调整，并显示实验表明，这导致学习速度更快（更节约样本），从而更快地适应不断变化的分布，并作为上下文强化学习算法的一部分积累奖励更快。

May, 2023