本研究结合贝叶斯非参数模型高斯过程和狄利克雷过程，创新性地在高斯过程的基础上引入结构化时间序列数据模型，以及加速新型的狄利克雷过程变分推理算法，可用于优化我们的方差逼近。生物时间序列应用实例中，我们的模型更好地捕获了数据的显著特征，提高了与现有生物分类的一致性，同时推理算法提供了 EM 变分推理的两倍速度。

Jan, 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

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

本文介绍一种新型的 DP 重新参数化方法，该方法在聚类分析中广泛使用，能够实现 DP 的并行学习，从而提高了学习速度和效率，同时该方法不需要改变模型并且能够保持标准后验分布不变。

Apr, 2013

在分布式环境中，通过提出一种新的估计方法，允许本地节点创建新元素并通过概率一致性方案合并相应聚类的组件，同时保持估计的一致性，此法可在分布式和异步环境中实现高可扩展性。

Sep, 2017

我们介绍了一种新的非线性分类模型，使用狄利克雷过程混合对反应变量 y 和协变量 x 的联合分布进行非参数建模，并在混合成分内保持 y 和 x 之间的关系线性。如果混合物包含多个成分，则总体关系变成非线性。我们使用模拟数据来比较这种新方法与简单的多项式逻辑模型 (MNL)、带有二次项的 MNL 模型和决策树模型的性能，并在蛋白折叠分类问题上评估我们的方法，发现我们的模型相对于基于神经网络 (NN) 和支持向量机 (SVM) 的先前方法具有实质性改进。蛋白质折叠类别具有分层结构。我们将我们的方法扩展到分类问题，其中有一个类别分层结构。我们发现，使用关于蛋白折叠分层结构的先前信息可以提高预测准确性。

Mar, 2007

提出一种适用于在线聚类和参数估计的低复杂度的序列推理过程，通过更新超参数并使用共轭先验假设，提出了易于计算的条件似然函数的闭形式参数化表达式和 Dirichlet 过程的自适应低复杂度设计。实验结果表明该方法优于其他在线最先进的方法。

Sep, 2014

提出了一种基于依赖狄利克雷过程混合模型（DDPMM）的新的聚类算法，用于聚类包含未知数量的进化聚类的批量连续数据。该算法通过对 DDPMM 的 Gibbs 抽样算法进行低方差渐近分析而得出，提供类似于 k-means 算法的收敛保证的硬聚类。通过移动高斯聚类的合成测试和真实的 ADS-B 飞机轨迹数据测试的实证结果表明，与当代概率和硬聚类算法相比，该算法在提供更高准确性的同时需要更少的计算时间。

May, 2013

通过引入基于分布式马尔可夫链蒙特卡洛的非参数贝叶斯潜在块模型推理方法，采用主 / 从体系结构，本文介绍了一种新颖的分布式非参数潜在块模型。我们的非参数共聚类算法使用潜在的多元高斯块分布将观察和特征分为多个分区，行上的工作负载平均分配给工作者，并且他们仅与主节点通信而不彼此之间通信。通过实验结果，DisNPLBM 展示了其对聚类标签准确性和执行时间的影响。此外，我们还介绍了将我们的方法应用于共聚类基因表达数据的实际用例，代码源公开可用。

Feb, 2024