利用贝叶斯不确定性估计解决类别不平衡学习的问题，并且成功改进了面部验证、属性预测、数字 / 物体识别、皮肤病检测等六个基准数据集上的分类性能。
Jan, 2019
通过最大熵分类器和线性链的组合，提出了一种基于条件期望最大化技术的统计方案。实验表明，该方法在自然语言处理领域的四个数据集中，可以提高三个真实世界任务的性能。
Sep, 2011
使用贝叶斯网络的生成分类器扩展了 TAN 和其他类型的分类器，研究了它们与贝叶斯网络之间的关系，并通过数据驱动的学习方法提高了分类准确率。
May, 2024
综合人工智能系统需要不仅能够用不同的 ` 感官 '（例如视觉和听觉）感知环境，还需要推断世界的条件（甚至因果）关系及其对应的不确定性。本文综述了贝叶斯深度学习的基本原理及其在推荐系统、主题模型和控制等领域的应用，讨论了贝叶斯深度学习与神经网络等其他相关主题之间的关系和差异。
Apr, 2016
介绍了一种称为贝叶斯深度学习的统一框架，将深度学习和贝叶斯模型紧密融合，以提高高层次推理的性能并增强深度学习的感知能力。讨论了它在推荐系统、主题模型和控制等领域的应用，以及与贝叶斯神经网络的关系和区别。
Aug, 2016
研究贝叶斯方法学习来自先前知识和统计数据的贝叶斯网络。通过使用 Dirichlet 和正态 - 威夏特分布的统计事实，结合贝叶斯评分度量，我们实现了对离散和高斯域的统一方法。
Feb, 2013
本文提出了一种基于概率框架和可分变贝叶斯推理的方法，将不确定性引入神经网络权重来处理由于目标域数据不可访问引起的域移位和不确定性挑战。实验结果表明，该方法在四个广泛使用的交叉域视觉识别基准测试中始终提供最先进的平均准确性。
May, 2021
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
该研究提出了一种基于将贝叶斯网络分类器编译成具有可处理和符号形式的决策函数的方法，用于解释分类器如何分类实例的两种类型解释，并提供了计算这些解释的算法。
May, 2018
通过最小描述长度原则，我们提出了用于全局、可解释无歧义地描述分类器的模式的算法 Premise，可以有效地理解现代 NLP 分类器的系统性错误。
Oct, 2021