本论文提出一种快速变分贝叶斯算法，用于实现非负矩阵分解和三因式分解，相对于 Gibbs 采样和非概率方法，我们的方法可以在每次迭代和时间步（挂钟时间）中实现更快的收敛，并且不需要额外的样本来估计后验，特别地，我们的变分贝叶斯方法提供了三因式分解的快速解决方案，从而更有效地利用该方法。

Oct, 2016

使用贝叶斯神经网络和变分推断构建的概率神经网络矩阵因子分解模型能够获得与常规神经网络变体相当的预测性能，这一概率方法在处理随机块模型时非常重要，同时还提出了一个非参数块结构的神经网络矩阵分解模型的变分推断算法，并在 NIPS 合著数据集上评估了其性能。

May, 2019

使用粒子变分贝叶斯方法处理非负矩阵分解中的非识别性问题，提高贝叶斯 NMF 后验分布的精度并发现多模态的重要作用。

Mar, 2018

本文提出了一种针对二元数据矩阵的基于贝叶斯平均参数非负矩阵分解的方法，并使用折叠吉布斯采样和折叠变分算法推断了因子的后验分布，同时将所提出方法拓展到非参数设置下，实现自动检测相关成分数量，实验证明该方法在词典学习和预测任务方面的性能优于现有技术。

Dec, 2018

通过 VB 推断技术对单个和耦合张量分解模型进行全贝叶斯推断，有效地解决了缺失链接预测问题。

Sep, 2014

本文从贝塔过程的角度，推导了一种针对具有 Poisson 分布似然函数的非负矩阵分解 (NMF) 模型的结构均场变分推理算法，并利用最近开发的随机结构均场变分推理方法来恢复潜在变量之间的依赖关系，并在合成和真实数据上进行了初步的实验验证。

Nov, 2014

该论文提出使用矩阵分解来从噪声协变量中推断混淆因素，减少测量噪声引起的偏差，展示了这个方法在合成数据和临床数据上的实验结果。

Jun, 2018

本文研究了非负矩阵分解的真实对数规范阈值，并在贝叶斯学习中给出了一种上界估计，结果表明如果应用贝叶斯学习，则可以使矩阵分解的泛化误差小于常规统计模型。

Dec, 2016

基于高斯过程潜变量模型的贝叶斯非线性矩阵补全算法，经过数据并行分布式计算方法加以优化，实现了对于高度稀疏大型矩阵的预测任务，得到了较好的实验结果。

Jul, 2019

本文提出了用于计数张量数据的贝叶斯非负张量分解模型，并开发了可用于处理海量张量的可扩展推理算法（批处理和在线推理），以及一系列实际应用。

Aug, 2015