本文研究了使用梯度的 log posterior 方法来控制梯度估计方差的问题，并应用到伽马分布潜在变量中，以实现稀疏性和非负性适用的模型的黑盒变分推断。该方法在网络数据的伽马过程模型和一种新型的稀疏因子分析中的应用效果均优于传统采样算法和对变换后变量使用高斯变分分布的方法。

Sep, 2015

开发一种依赖分层规范随机测度的方法并将其应用于动态主题建模，该方法通过测度的底层泊松过程的叠加、子采样和点转移来形成依赖关系，使用的测度包括呈幂律特性的规范化广义伽玛过程，此外，实验表明，通过该方法的模型比以前模型的效果更好。

Jun, 2012

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

本论文从理论和算法的角度探讨了在不确定性下的非线性降维问题。为了建模每个样本的不确定性，提出了一个新的降维框架 NGEU，它利用了概率分布来描述输入样本空间。通过分析 Rademacher 复杂度，论证了该方法在处理不确定数据时具有较强的泛化能力。

Feb, 2022

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

提出一种可扩展的高斯过程模型，用于确定和表征平滑多维变化点，并自动学习表达协方差结构中的变化。通过 Random Kitchen Sink 特征来灵活地定义变化表面，结合表现力强的谱混合核来捕获复杂的统计结构，最后通过新颖的加性非可分离核方法，可以将模型扩展到大型数据集。我们在数值和实际数据上演示了该模型，包括一个大型时空疾病数据集，在其中确定了先前未知的空间和时间异质性变化。

Nov, 2015

本文提出了 ProbDR 变分框架，将许多经典的降维算法视为该框架下的概率推断算法。我们的框架利用低维潜变量构建协方差矩阵、精度矩阵或图拉普拉斯矩阵，这些矩阵可作为数据生成模型的一部分。利用此框架，我们可以更容易地处理未见数据，并且得到较为准确的高斯过程似然估计结果。

Apr, 2023

本文提出了 Gamma-Poisson 模型及其最大边际似然估计和 Monte Carlo Expectation-Maximization 算法等内容，并阐明这种方法的鲁棒性和自动减枝等优点。

Jan, 2018

提出了一种负二项式随机化的伽马马尔科夫过程来建模计数数列的转换结构和爆发性动态，从而改善了动力学系统的预测性能和推理算法的快速收敛，同时估计了基于因子结构和图结构的转换动态以获得更可解释的潜在结构，比相关模型更好地填补了缺失数据和预测未来观测。

Feb, 2024

本文提供了理论支持，证明了 Sigmoidal Gaussian Cox Process 方法在学习 $d$ 维区域内不均匀 Poisson 过程强度方面的有效性。我们展示了如何调整模型超参数的先验分布，以便程序自适应未知强度的平滑程度，并实现最佳收敛速率。

Sep, 2014