使用零样本推理的神经网络模型，能够从嘈杂且稀疏的观察中，推断出具有不同维度的马尔可夫跳跃过程，并且达到与针对目标数据集微调的最先进模型相媲美的性能。

Jun, 2024

本文提出了一种基于神经常微分方程的变分推断算法，在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布，相比于 Monte Carlo 和期望最大化方法具有更高效的性能。

May, 2023

本文提出了基于矩的变分推断作为一种灵活的框架，用于近似光滑的潜在马尔可夫跳跃过程，并将满足一定条件的所有过渡划分为几个类别，该方法在参数推断中具有应用前景。

May, 2019

本文介绍了一种利用 Gibbs sampler 并基于均一化思想从马尔可夫跳过程的后验分布模拟路径的方法，并表明该方法在 MJP 模型上表现良好。

Aug, 2012

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

本研究提出了一种基于棍状破坏构造定义的 Gamma 过程的变分推断框架，用于 Bayesian 非参数 Latent 结构建模，结果表明其在文档库上的非负矩阵分解任务中表现良好。

Oct, 2014

本文提出了基于 Gibbs 采样的快速辅助变量算法，利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径，并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。

Feb, 2012

本研究论文解决了潜在连续时间随机过程的统计推断问题，提出了一种新的可行的推断方案，基于熵匹配框架，并应用于化学反应网络的建模和参数估计。

Sep, 2023

我们提出了椭圆过程，这是一类非参数概率模型，它包含了高斯过程和学生 t 过程。通过连续高斯混合分布的表示，椭圆过程具有一系列新的重尾行为，同时保持计算可行性。使用样条标准化流的参数化混合分布来训练变分推断，并提出了适用于大规模问题的稀疏变分椭圆过程。通过回归和分类实验，我们强调了与高斯过程相比的优势。在非高斯似然函数或精确的尾部建模至关重要的情况下，椭圆过程可以取代高斯过程。

Nov, 2023

本文研究了具有长程相关性的非高斯稳态过程的近似，其中使用微正则模型条件化模型。通过梯度下降算法，从而产生满足能量限制的微正则梯度下降过程，该过程与多尺度能量向量和 $f l^1$ norm 相结合，实现高斯、伊辛以及点过程的逼近以及图像和音频纹理合成。

Jan, 2018