本文提出了一种名为随机期望传播的方法，它在维护全局后验概率近似同时采取局部化更新，用于大规模数据设置中的近似贝叶斯学习，能够几乎与完整的期望传播方法相媲美，但是将其内存消耗降低了N倍。

Jun, 2015

介绍了一种类似于前向-后向算法的BBVI算法，它可以使得我们高效地从变分分布中进行采样，并且可以估计ELBO梯度。在动态词嵌入模型上的结果证明了我们方法的有效性。

Jul, 2017

本文介绍了一种新的方法，即分区变分推断（Partitioned Variational Inference），该方法明确了变分推断的基本维度，并统一了不同的文献，重点介绍了在分布式计算、连续学习等挑战性学习场景下进行变分推断的方法，并表明这些新方法在神经网络和高斯过程模型等领域中均能取得显著的性能提升。

Nov, 2018

通过在30个Stan模型库中的基准测试中评估与优化，normalizing flows和Monte-Carlo方法的组合显着推进了黑盒VI的状态。

Jun, 2020

本文主要介绍了一种名为Uncertainty Toolbox的开源Python 工具库，该库旨在协助评估、可视化和改进在机器学习中的不确定性计量（UQ）。 Uncertainty Toolbox不仅提供教学资源，例如重点词汇表和重要论文引用的组织集合，也有助于加速和整合应用在机器学习中的不确定性计量研究。

Sep, 2021

Myriad 是一个用 JAX 编写的测试平台，为学习和计划真实连续环境提供了轨迹优化技术，包含多种真实世界最优控制问题，并展示了一个基于神经微分方程的隐式规划模块的全端到端训练方法，以实现对复杂真实世界任务的影响。

Feb, 2022

BayesLDM是一个用于贝叶斯纵向数据建模的系统，具有高级建模语言和编译器的特定功能，支持动态贝叶斯网络（DBNs）的高效、声明性规范，并输出计算出的有关未知模型参数的贝叶斯推断代码，同时处理缺失数据。

Sep, 2022

SequeL是一个灵活且可扩展的连续学习库，支持PyTorch 和 JAX 框架，提供了统一的接口和管理多种连续学习算法的能力，旨在促进研究和实践者们的实验和研究。

Apr, 2023

我们提出了一种称为 Diffusion Model Variational Inference (DMVI) 的新方法，用于在概率编程语言 (PPLs) 中进行近似推断。DMVI 利用扩散模型作为真实后验分布的变分逼近，通过推导贝叶斯建模中使用的边际似然目标的新的上界。DMVI 实现简单，允许在 PPLs 中进行无麻烦的推断，并且不像使用标准化流进行变分推断那样有任何限制条件。我们对一组常见的贝叶斯模型进行了 DMVI 的评估，并展示其后验推断通常比 PPLs 中的现代方法更准确，同时计算成本相似且需要较少的手动调整。

Nov, 2023

我们提出了一种基于组合程序转换的方法，用于支持概率编程语言中的变分推断，该方法能够灵活地处理多个关键问题，包括自动微分、密度累积、跟踪和无偏梯度估计策略。此外，相比于现有的支持变分推断的概率编程语言，我们的设计在用户定义的目标、梯度估计策略和模型、变分族类别方面具有更高的表达能力。

Jun, 2024