本文旨在通过探讨各种不同的概率编程语言所使用的基本概率原语，包括逻辑编程语言的概率扩展，从而比较和理解它们之间的区别，以更好地理解概率编程的核心编程概念和执行机制。

Dec, 2013

本文介绍了基于概率编程中的最新进展，以广阔的概率建模和推断为视角，探讨了概率编程语言如何自动匹配模型和推断方法，强调了模型的结构和形式对这种匹配的至关重要性，并通过 Birch 进行实例演示。

Oct, 2018

通过非参数高斯过程回归找到时间序列数据的描述性协方差结构从而构建具有表述性的概率编程描述， 不需要提供模型结构。

Jul, 2016

本文通过概率编程的视角简要介绍了概率规划的概念，着重阐述了 HYPE 和 ALLEGRO 两个系统的特点，强调它们在处理概率规划中复杂建模问题方面的优势，如处理不断扩大和缩小的状态空间，离散和连续的概率分布，以及一阶设置中的非唯一先验分布等。

Jan, 2018

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

介绍和证明了一个基于粒子马尔可夫蒙特卡罗的新的推理方法。该方法适用于图灵完备的概率编程语言，支持使用复杂控制流（包括随机递归）的模型的准确推理，并包括来自贝叶斯非参数统计的基元。实验证明，该方法比之前介绍的单一站点 Metropolis-Hastings 方法更有效。

Jul, 2015

该论文提出了一种在概率编程语言中实现摊余推理的方法，摊余通过参数化的指南程序实现，并且可以包括神经网络组件以更好地进行采样，支持全局模型学习。

Oct, 2016

通过概率编程对程序归纳的扩展，实现自动概率编程综合，可以推广应用于任何合理的输入和输出，特别是文本、图像和视频数据。

Oct, 2018

通过创造性地利用进程、分叉、互斥和共享内存等标准操作系统功能，可以在任何编程语言中实现像顺序蒙特卡罗和粒子马尔科夫链蒙特卡罗这样的前向推理技术，我们定义了一个名为 Probabilistic C 的概率规划语言中间表示语言，它本身可以通过标准编译器编译成机器代码并链接到操作系统库中，生成一个高效、可扩展、可移植的概率规划编译目标，从而为优化概率规划系统打开了一条新的硬件和系统研究路径。

Mar, 2014

本文研究了概率逻辑编程，扩展了支持离散和连续随机变量，并引入了新的采样算法和混合模型，解决了从带有缺失值和概率背景知识的关系数据中学习 PLP 的问题。

Feb, 2023