本文提出了一种基于贝叶斯非参数潜变量模型的非线性方法，假设潜空间先验为稀疏和无限维。该方法通过使用印度自助餐过程先验在潜变量上，自动且概率地选择潜变量数目，保证潜变量空间中实例化的维度数目是有限的，实现了稀疏、非线性的潜变量建模，引入随机傅里叶近似法以简化推理，并通过马尔可夫链 - 蒙特卡罗采样容易地实现后验推断。该方法适用于超出高斯设置范围的多种观察模型，在合成、生物和文本数据集上的表现优于以往的潜变量模型。

May, 2022

使用 Kurihara 和 Welling（2008 年）的极大期望框架进行线性高斯潜在特征模型的近似 MAP 推断，在模型证据的下限上得到一种次模函数。通过使用贪心算法最大化此函数，我们的推理方法与输入数据的规模呈线性比例。

Apr, 2013

提出了一种非参数贝叶斯因子分析（FA）的扩展，其中观察数据 𝐘 被建模为潜在无限个隐藏因素 𝐗 的线性叠加 𝐆，使用印度自助餐过程（IBP）作为先验来描绘稀疏性并允许推断潜在特征的数量，使用基于已知 E. Coli 稀疏连接矩阵的随机数据集以及三个逐渐复杂的生物数据集来研究该模型在基因表达数据建模中的实用性。

Nov, 2010

本文介绍了级联的印度自助餐过程 (CIBP)，将其作为单层无限宽隐藏层的置信网络的有向结构的非参数贝叶斯先验，提供了一种无限深和宽、可处理推理的分层有向置信网络结构学习方法，使用非线性高斯置信网络和可变离散和连续表示的单元，提供了用于置信网络推理的马尔可夫链蒙特卡洛算法，并通过多个图像数据集探索了学习到的结构。

Dec, 2009

提出一种非参数贝叶斯因子回归模型，考虑因子个数的不确定性和因子间的关系，通过 Kingman coalescent 基于因子的分层模型，将其与 sparse Indian Buffet Process 相结合，应用于基因表达数据分析中的因子分析和因子回归问题。

Aug, 2009

本研究旨在利用大量的 NESARC 数据库中收集到的信息，应用非参数潜在模型来分析精神障碍的互相关联关系，并提供了一种有效率的分析方法。

Jan, 2014

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

本文提出了一种针对时间序列的具有潜在函数模型的贝叶斯非参数泊松过程分配（BaNPPA）方法，通过模拟一个高斯过程中的函数，利用无限混合的潜在函数表示强度来自动推断潜在函数数量，随后通过变分推断算法调节潜在函数的体积来应对权重不可区分的问题，该算法高效，并且在合成和真实数据集的实验中取得了良好的效果。

May, 2017

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

该研究提出了使用贝叶斯非参数方法在多个相关时间序列的联合建模问题上的解决方案，其中使用了潜在的共享动态行为发现方法，提出了一种基于 Beta 过程先验的高效 Markov chain Monte Carlo 方法，并利用 birth 和 death proposals 方法探究新的动态行为，最终实现了对于视频运动捕捉数据的无监督分割，并在一些合成数据集中获得了良好的结果。

Nov, 2011