本文提出了一种分布式多目标跟踪算法，通过使用基于广义协方差交叉的多伯努利（MB）滤波器。该算法采用连续分布跟踪和序列蒙特卡罗采样技术，同时证明由于融合的多目标跟踪模型复杂度，直接求解其融合后的后验分布是不现实的。

Mar, 2016

本研究介绍了一种高效的多目标跟踪滤波器 ——δ-Multi-Bernoulli 多目标跟踪滤波器，并使用排名分配和 K - 短路径算法来缩短每次迭代中的预测和更新操作的时间，并使用概率假设密度过滤器等工具，提出了廉价的前瞻策略以减少计算量。

Dec, 2013

本文提出一种基于 GLMB 的动态贝叶斯推理方法，通过计算 void 概率和 Cauchy-Schwarz 距离来度量模型相似性，为本问题提供一种可行的解决方案。

Oct, 2015

我们介绍了一系列迭代方法，用于计算大规模 Bayesian 广义线性模型（GLMs）中的近似误差，并通过并行计算、信息压缩来提高训练速度并减少计算量。

Oct, 2023

本文提出了一种统一的贝叶斯推理框架，用于解决广义线性模型问题，并证明了该框架的有效性和等价性，同时也引出了基于标准线性模型的一些新算法扩展。该框架在一位信号采样处理中有着显著的表现，说明了该方法的优越性。

Dec, 2017

我们提出了一种新颖的 Gibbs-Langewin 采样算法和改进的对比散度算法，可用于训练 Gaussian-Bernoulli restricted Boltzmann machines (GRBMs)。实验结果表明，我们的方法可以有效地训练 GRBMs，并且与深层生成模型进行了直接比较。

Oct, 2022

该研究探讨了广义贝叶斯推断在错配模型下的应用，包括广义线性模型，通过 MCMC 抽样来实现广义贝叶斯 Lasso 和 Logistic 回归，并在模拟和真实数据中展示了广义贝叶斯在表现上超过标准贝叶斯的优点。

Oct, 2019

利用 Poisson gamma 信仰网络 (PGBN) 因子化每一层，通过上下 Gibbs 采样器进行联合训练，实现对高维计数向量的多层表示

Nov, 2015

本研究提出了一种基于粒子的 Loopy Belief Propagation 实现方法，它在连续状态空间上构建了适应性高效的提议分布，使用 Expectation Propagation 框架迭代更新参数，具有更优的效果和更少的计算代价。

Jun, 2015

本文提出了一种基于广义高斯牛顿近似方法的贝叶斯神经网络预测方法，将原始预测模型线性化为广义线性模型（GLM）后，用于后验推理和预测中，解决了拉普拉斯近似方法下的欠拟合问题。在多个标准分类数据集上以及外部分布检测中得到了验证。

Aug, 2020