我们提出了 Wright-Fisher 印度自助餐过程 (WF-IBP)，这是一个适用于贝叶斯非参数特征分配模型的概率模型，其中潜在特征根据时间表现出依赖结构，我们描述了一个复杂的 Markov Chain Monte Carlo 算法来对其进行确切的后验模拟，并将其应用于开发无参数的主题模型。

Nov, 2016

本文提出了一种基于贝叶斯非参数潜变量模型的非线性方法，假设潜空间先验为稀疏和无限维。该方法通过使用印度自助餐过程先验在潜变量上，自动且概率地选择潜变量数目，保证潜变量空间中实例化的维度数目是有限的，实现了稀疏、非线性的潜变量建模，引入随机傅里叶近似法以简化推理，并通过马尔可夫链 - 蒙特卡罗采样容易地实现后验推断。该方法适用于超出高斯设置范围的多种观察模型，在合成、生物和文本数据集上的表现优于以往的潜变量模型。

May, 2022

提出一种适用于异构数据的通用贝叶斯非参数潜在特征模型，能自动进行探索性分析，并能从数据自动推断模型复杂度。

Jul, 2017

探讨了一种基于贝叶斯非参数方法的连接组学模型，通过混合模型降低维度并在每个混合组件中高效地整合网络信息，提高了对网络值随机变量概率质量函数的推断灵活性。

Jun, 2014

提出了一种非参数贝叶斯因子分析（FA）的扩展，其中观察数据 𝐘 被建模为潜在无限个隐藏因素 𝐗 的线性叠加 𝐆，使用印度自助餐过程（IBP）作为先验来描绘稀疏性并允许推断潜在特征的数量，使用基于已知 E. Coli 稀疏连接矩阵的随机数据集以及三个逐渐复杂的生物数据集来研究该模型在基因表达数据建模中的实用性。

Nov, 2010

该研究使用贝叶斯网络的方法来预测抑郁症及其症状，包括从言语、面部表情和认知游戏数据中提取的特征，并生成可解释的模型预测，确定预测的不确定性，并自然地处理缺失数据。

Nov, 2022

本文提出了一种贝叶斯非参数方法来解决多重潜在类别问题，介绍了负二项式过程作为适用于此类问题的无限维先验，并研究了基于其的后验分布及其层次化模型。通过实验，使用了分割、识别和分析领域的后验推断的 MCMC 算法。

Nov, 2011

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

使用 Kurihara 和 Welling（2008 年）的极大期望框架进行线性高斯潜在特征模型的近似 MAP 推断，在模型证据的下限上得到一种次模函数。通过使用贪心算法最大化此函数，我们的推理方法与输入数据的规模呈线性比例。

Apr, 2013

本研究提出了一种基于小方差渐近基础的非参数贝叶斯隐含特征关系模型。通过这种模型，我们得到了一个目标函数，并设计了一种易于实现且实际运行速度快的确定性推理算法，该算法在处理多种基准数据集时表现出竞争力，甚至比 MCMC 方法更快。

Jul, 2018