本篇论文讨论了用于进化模型中的标准统计方法在遗传组序列数据中的可靠性，并引入了一些自然度量空间，以判断不同参数化方法之间的适用性和采样数据中的总结树。

Oct, 2014

本文提出了一种基于变分推理的贝叶斯系统发育分析方法，应用分支分离贝叶斯网络与合适的变分分布通过随机梯度上升来训练，实践表明该方法既能获得高效率的探索机制，也可以提供与 MCMC 相当的性能。

Apr, 2022

我们采用连续空间中的树探索和推断方法来解决从大量可能的树中寻找合适的系统发育关系的问题，并通过在超度量空间中准确推断树和根来证明其有效性，并在数据不足的情况下成功地解决了关于有颌脊椎动物的系统发育关系。

Jun, 2023

使用贝叶斯方法从数据中学习决策树是一项具有挑战性的任务，本文研究了使用 Hamiltonian Monte Carlo 方法来更高效地探索贝叶斯决策树的后验概率，并通过与标准数据集的比较展示了其在预测测试准确率、接受率和树复杂度方面的优势。

Dec, 2023

本文提出了第一步: Probabilistic Path HMC，该算法可以在具有错综复杂结构的空间中进行采样分布，并使用该算法对一些结构复杂的空间（如 Phylogenetic Trees）进行了有效实现。

Feb, 2017

本文提出了一种混合推理算法，结合了 MCMC 和基于树的推理方法（IBHC）的优点，用于归一化随机测量（NRM）混合模型，该算法通过树引导 MCMC 进行有效提议，从而保证了收敛性和快速收敛。

Nov, 2015

基于欧几里得空间中的数据，本研究提出了一个新的优化问题 ——“（分支）中心生成树”，它包含了之前提到的所有定义作为特例，并从理论和实践两个方面证明了（分支）中心生成树相对于数据中的噪声更具鲁棒性，并更适合以其骨架来总结数据集。此外，本研究还提出了一种应对 NP 难优化问题的启发式方法，并在生物学的单细胞 RNA 表达数据和植物的 3D 点云数据上进行了展示。

Apr, 2024

本文介绍了一种新的 EP-MCMC 算法 ——PART, 采用随机划分树来合并子集后验抽取样本，该算法具有分布自由性，易于再抽样和适用于多个比例的优点。理论和实验表明，该算法在大数据集上表现良好。

Jun, 2015

利用连续几何空间中拓扑分布的独特表示，我们引入了一种新颖的完全可微分的系统发育推断方法 ——GeoPhy，通过在设计空间和梯度估计中考虑实际因素和控制变化量，使得我们能够进行可变拓扑候选项的变分推断，相比考虑完整拓扑结构的其他近似贝叶斯方法，在使用真实基准数据集的实验中，GeoPhy 表现出显著的优势。

Jul, 2023

本文提出了一种针对贝叶斯回归树的采样算法，其中包括规则扰动和树旋转等提议机制，这些机制在与传统的出生 / 死亡提议相结合时，可以提高 MCMC 采样器的接受率，并在后验样本中合理表示模型不确定性。

Dec, 2013