贝叶斯非参数模型为统计模型选择提供了灵活而强大的框架，使模型复杂性能够适应不同数据集的复杂性，尤其在统计学、计算机科学和电气工程等领域解决复杂挑战方面具有重要意义。本调查意在阐明这些非参数模型的基本特性和理论基础，提供贝叶斯非参数模型的全面理解，并介绍它们在多目标跟踪领域解决复杂问题的相关性。通过这一探索，我们揭示了贝叶斯非参数方法的多样性和功效，为不同学科的复杂问题开辟了创新解决方案的道路。

Mar, 2024

介绍贝叶斯非参数方法，这是一种避免模型选择问题的方法，是一个高级入门，包含多个应用示例。

Jun, 2011

本研究提出了一种新的技术方法，将贝叶斯非参数回归混合模型与多个弹性网络相结合，从而提取目标模型的可推广见解。通过在图像识别的上下文中对不同的机器学习模型进行评估，实验结果表明，我们提出的方法不仅在解释个别决策方面优于现有技术，而且为用户提供了发现目标机器学习模型漏洞的能力。

Nov, 2018

本文提出一种新的贝叶斯模型无关元学习方法，结合可伸缩的基于梯度的元学习和非参数变分推断，通过一个有原则的概率框架去学习复杂的不确定性结构，并且在 meta-update 时使用鲁棒的贝叶斯 meta-update 机制防止过拟合。此方法在各种任务中展现了准确性和鲁棒性。

Jun, 2018

从非参数贝叶斯模型中提取归纳偏好并将其转移到人工神经网络，使得神经电路能够在开放类集合上成功进行顺序推理，实现了与基于粒子滤波器方法相当甚至更好的性能，并且速度更快、使用更简单。

Nov, 2023

通过将贝叶斯非参数理论和最近一些决策理论模型的平滑模糊厌恶偏好相结合，我们提出了一种新颖的鲁棒准则，并与标准的正则化经验风险最小化技术之间建立了新颖的联系，从而为优化过程提供了有利的有限样本和渐进统计保证。

Jan, 2024

本文提出了一种可扩展的贝叶斯非参数学习方法，通过优化适当随机化的目标函数实现后验抽样，一个未知数据分布的狄利克雷过程先验考虑到了模型建立错误，并允许具有尴尬并行事后自举算法的非参数后验分布的独立和精确的样本生成，从而特别擅长从多峰后验分布中抽样。

Feb, 2019

本文提出了一种基于非参数核密度估计的变分逼近方法，通过优化内核位置和带宽参数最大化数据边际似然下限，不同于其他变分逼近方法，本方法能够捕捉后验分布的多个模式，并成功应用于各种图模型和非线性矩阵分解模型中，预测性能优于更专业化的变分方法和基于样本的逼近方法。

Jun, 2012

本文介绍了贝叶斯模型在图形、矩阵及其他随机结构中的应用，以及与图论和概率的最新发展以及其他类型数据的贝叶斯方法的数学基础之间的联系。

Dec, 2013

本文从贝叶斯角度探讨了在相关任务环境下学习适当的偏差问题，并展示了环境的概念是自然地模拟了任务的目标先验分布。本文论证了对于许多常见的机器学习问题，虽然我们不知道问题的真正（客观）先验分布，但我们可以对真正的先验分布可能属于的一组可能的先验分布有一些想法。在这些情况下，本文展示了学习者可以使用贝叶斯推断通过从客观先验中进行采样来学习真实先验分布。当同时学习多个任务时，给出了学习任务所需信息量的下限。这些下限表明，如果学习者很少了解真实先验分布，且真实先验分布的维数很小，则采样多个任务是非常有优势的。

Nov, 2019