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

在精准医学中，生物医学数据的有效聚类是至关重要的，它可以实现对患者或样本的准确分层。我们提出了 VICatMix，一种用于聚类分类数据的变分贝叶斯有限混合模型，其在训练中使用了变分推断（VI），从而在保持高准确性的同时优于竞争对手的效率。VICatMix 还执行变量选择，增强其在高维噪声数据上的性能。提出的模型结合了汇总和模型平均，以减轻 VI 中的局部最优解问题，从而同时改善了对真实聚类数和特征重要性的估计。我们通过模拟和真实世界数据展示了 VICatMix 的性能，包括对癌症基因组图谱（TCGA）数据集的应用，展示了它在癌症亚型和驱动基因发现中的用途。我们还展示了 VICatMix 在不同组学数据的整合聚类分析中的实用性。

Jun, 2024

本文提出了一种名为潜在高斯 Copula 模型的半参数模型，用于建模二元和混合数据的多元统计学习。

Apr, 2014

CAT 是一种新颖的可解释的基于概念的 Taylor 加性模型，通过将输入特征简单地归类为广泛的组别，无需领域专家标注概念和其真实值，从而在多个基准测试中证明了其超过或与基准方法竞争的性能，同时减少对大量模型参数的需求，并能够通过人类可以理解的高级概念解释模型预测。

Jun, 2024

本文综述了贝叶斯及相关方法在高维模型中的性质，如许多正常问题，线性回归，广义线性模型，高斯和非高斯图模型等。同时也讨论了有效的计算方法。

Jan, 2021

提出了一种基于混合类型空间的新方法 CoCaBO，它结合了多臂赌博机和贝叶斯优化的优点，使用高斯过程核来对包含连续和分类输入的黑盒问题进行优化，实现了在探索和开发之间的平衡，并在连续和分类输入的合成和实际优化任务上超越了现有方法。

Jun, 2019

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

本文提出了一种基于函数方法的新型多元统计相关性定义，通过一种递归双向统计映射来定义新的对称和自主叉密度核，估计它们的统计相关性，因此该核特征谱被提出作为一种新的多元统计相关性测量，其制定要求对于数据生成模型的假设比当前方法更少。

Dec, 2022

使用 Tucker 分解模型，配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择，取得高准确率的分类模型，使其适用于高维分类数据并解决标记互制问题。

Jan, 2013

介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

Sep, 2008