该论文提出了一种基于卷积泊松因子分析（CPFA）和卷积泊松伽马置信度网络（CPGBN）的文本分析方法，用于高效地提取这些文本的潜在表示，以捕捉单词顺序信息。

May, 2019

本文提出了一种新的深度生成模型来捕获嵌入空间中主题之间的依赖关系和语义相似性，这种模型名为 sawtooth factorial topic embedding guided GBN，并通过在大型语料库上的实验证明了该模型的优越性。

Jun, 2021

本文研究高斯过程网络 (GPNs) 的贝叶斯结构学习问题，提出基于蒙特卡罗和马尔可夫链蒙特卡罗方法的网络结构后验分布抽样算法，并在模拟实验中证明该方法在恢复网络图形结构和提供准确后验分布方面优于现有算法。

Jun, 2023

提出一种 Gamma 过程动态泊松因子分析模型，通过建立一个新的马尔科夫链来推断 Gamma 形状参数，应用于文本和音乐分析，取得最先进的结果。

Dec, 2015

基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。

Nov, 2023

本文提出了一种基于 beta 负二项（BNB）过程的 beta-gamma-Poisson 过程，并将其应用于无限泊松因子分析模型中作为一种非参数贝叶斯先验。通过数据增广和边缘化技术进行了有效的 MCMC 计算，实现了 beta 过程的有限逼近 Levy 随机测量。结果表明该方法在文档计数矩阵分解方面表现出了很好的效果。

Dec, 2011

通过构造负二项分析（NBFA）来解决泊松分布捕捉协变量出现在样本中自我重复及与其他协变量之间激发关系的局限性，并利用分层伽马负二项过程支持数不尽的因素。设计了两种基于多项式分布的混合成员模型，实现快速收敛和低计算复杂度的阻塞吉布斯采样器，提供比以前的方法更具优势的紧凑表示，预测能力和计算复杂性。

Apr, 2016

我们提出了一种能够有效捕捉高阶关系进行推理和学习的因子图神经网络模型，并通过适当选择信息聚合操作，实现了 Max-Product 和 Sum-Product 循环置信传播的单一架构。通过在真实和合成数据集上进行广泛的实验评估，证明了该模型的潜力。

Aug, 2023

本研究提出了一种基于负二项式拟合的 lognormal 和 gamma 混合模型，应用了贝叶斯推断，实现了回归系数的稀疏性先验等效果，提高了贝叶斯方法计算的简洁性和效率。

Jun, 2012

针对深度离散潜变量模型中的梯度计算和步长适应问题，本论文提出了利用数据增广和边缘化技术，得到分块对角 Fisher 信息矩阵及其逆的深度潜在狄利克雷分配表示，并利用该矩阵和随机梯度马尔科夫链蒙特卡罗方法，提出了主题 - 层适应性的随机梯度里曼蒙特卡罗方法，可全局学习所有层和主题的全局参数，实现了在大数据集上的最新成果。

Jun, 2017