该论文讨论了计算机视觉中生成模型的局限性，提出利用现有的判别式或启发式计算机视觉方法的原则性方法，在具有渲染程序组件的挑战性生成模型上进行实验，并集中研究反转现有图形渲染引擎的问题。

Feb, 2014

本文提出了基于贝叶斯卷积神经网络的变分推断方法，通过引入欠拟合和过拟合的概率分布来解决神经网络普遍存在的预测不确定性问题，并在图像分类等任务上进行了实验测试。

Jan, 2019

本研究提出了一种新的框架将生成对抗网络和贝叶斯优化结合，以识别个体响应模式，研究面孔加工的认知和神经机制，通过网络中寻找潜在空间以有效地生成新面孔，给出了一个基于网络的原型实验，揭示了算法如何在不同语义转换的面孔上映射人们的响应，以及如何提供有关个体差异的丰富信息。

Jul, 2020

深度神经网络的鲁棒性不确定性量化是许多深度学习应用的重要需求，贝叶斯神经网络是建模深度神经网络不确定性的一种有前景的方法，但从神经网络的后验分布中生成样本仍然是一个重大挑战。在本文中，我们展示了这些方法在采样分布时可能存在显著偏差，即使在步长趋近于零且批量大小足够大的情况下。

Mar, 2024

本文介绍了如何通过编程实现 MCMC 方法以进行参数估计和不确定性量化，并探讨了在机器学习和深度学习等大规模模型中应用 MCMC 方法的挑战，主要通过使用 Python 语言示例代码实现贝叶斯概率模型的应用。

Apr, 2023

在高概率内提供准确的预测和估计，并比较了使用 Markov Chain Monte Carlo 和 Variational Inference 训练的贝叶斯神经网络在高光谱成像中的目标检测中的性能表现。

Aug, 2023

ATMC 是一种自适应噪声 MCMC 算法，可用于从神经网络的后验中估计和采样，它能够在大规模深度学习任务中得到更好的分类精度和测试对数似然，并提供更好的不确定性度量。

Aug, 2019

本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

May, 2017

概述：本文使用贝叶斯模型解决了复杂数据的建模问题，提出了通过机器学习的方法来改善后验计算的潜力，并探讨了正则化流、贝叶斯核平衡、分布式贝叶斯推理和变分推理等未来的具体发展方向。

Apr, 2023

研究表明， 使用全批处理的哈密顿蒙特卡罗方法可以提高贝叶斯神经网络的性能，并证明模型中选择的先验分布对性能的影响较小，但相比于深度集成、SGLD 等计算代价较小的方法，HMC 呈现出更接近于精确后验分布的预测分布；同时，研究发现贝叶斯神经网络在领域转移方面表现较差。

Apr, 2021