带有尖峰平板过程先验的动态变量选择
介绍了一种新的变量选择方法 —— 重新缩放的 spike and slab 模型，并研究了其在先验分层规范方面的重要性，以及一些选模型策略，证明了其有效性。通过使用这种方法，我们展示了政策的有效性在减少模型不确定性方面。
May, 2005
提出一种基于贝叶斯方法、将先验分布放置在回归系数以及模型空间上、使用针对高维协变量的针尖和板块高斯先验、通过 Gibbs 抽样执行的变量选择方法，具有可靠的选择一致性和优于其他方法的良好性能。
May, 2014
Scalable Spike-and-Slab is proposed as a Gibbs sampling implementation for high-dimensional Bayesian regression with a continuous spike-and-slab prior, resulting in significant computational efficiency improvements over existing implementations.
Apr, 2022
该研究论文介绍了一种名为 spike-and-slab LASSO 的方法，它是高维数据建模中一种基于惩罚似然和贝叶斯框架的概率构造，并讨论了其在多种模型中的扩展和应用。
Oct, 2020
基于市场下行底部的趋势，通过计算国内主要增量资金、流动性、情绪、技术指标等多因素，进行权重计算，提出了基于隐藏半马尔科夫模型的股票量化分析方法。
Aug, 2023
研究变分贝叶斯对于稀疏高维逻辑回归中广泛使用的贝叶斯模型选择先验的均场尖峰和板 VB 近似，该方法可以在 L2 和预测损失方面为稀疏的实际结果提供最佳收敛速率，并给出了有效的先验选择方法。
Oct, 2020
研究了高维稀疏线性回归中，贝叶斯模型选择先验的平均场斯派克和板块变分贝叶斯（VB）逼近，证明在设计矩阵兼容条件下，该逼近方式渐进地达到最优稀疏性真理和响应向量的最优预测，经实验证明该算法与其他最先进的贝叶斯变量选择方法具有相当的性能，同时提出了一种新的优先更新方案来提高变分推理算法的性能。
Apr, 2019
使用贝叶斯非参数方法，将层次狄利克雷过程先验应用于两种切换动态模型，学习未知的持续光滑动态模式，同时推断动态依赖性的稀疏集，以学习具有变化状态维数的切换线性动态系统或具有变化自回归顺序的切换 VAR 过程，最终通过舞蹈蜜蜂序列、IBOVESPA 股票指数和机动目标跟踪应用程序展示模型的效用和灵活性
Mar, 2010
该论文研究了一种名为 Spike-and-Slab Deep Learning 的全新深度学习建模方法，该方法采用完全 Bayes 的方式代替 Dropout 正则化，使得深度神经网络能够拥有更好的泛化性能，并且无需事先了解平滑度即可实现顺畅的输入输出映射。此外，该方法提供了深度 ReLU 神经网络的全新理论解释，有望改变未来神经网络的设计与构建方式。
Mar, 2018