贝叶斯数据分析是一个包含模型构建、推断、检验、评价和扩展的迭代过程，可利用贝叶斯可视化技术在诸多阶段中提供帮助并且不可或缺，尤其是在从所使用的现代高维模型中进行推断时。
Sep, 2017
本研究主要基于近似贝叶斯计算（ABC）研究人与设备交互过程中的认知模型参数，通过菜单交互的案例分析表明，ABC 可以更准确地估算模型参数值，比较模型不同变量之间的差异并支持将模型适应个体用户。
Dec, 2016
该论文研究通过拟合贝叶斯假设模拟人类感知能力，以识别基于视图的 3D 物体，并实现了感知计算。
Nov, 2022
人工神经网络和贝叶斯推断是互补的建模方法，可用于理解涵盖不同层次的人类认知和训练在专有数据上的大型不透明人工神经网络的行为。
Nov, 2023
文中探讨了贝叶斯统计学派的方法，阐述了先验分布在贝叶斯模型中的实际作用以及超验演绎法的重要性，发现最成功的贝叶斯统计学派形式并不支持归纳推理，从而认为贝叶斯统计学派比超验演绎法更加成熟和复杂。
Jun, 2010
该研究通过非贝叶斯模型描述了确认偏误和透视误导之间的关系，并验证了其基本现象学和学习特性，并探究了它们在认知心理学中的实际应用。
Nov, 2014
本文提出了两个贡献：通过预训练神经网络和构建 “认知模型先验” 以捕捉人类行为的归纳偏见，使得机器学习方法在小样本数据集上能够显著提高预测准确率；基于超过 240,000 项人类决策的大规模数据集，揭示出认知模型先验适用的情况，并为人类决策预测建立了新的基准。
May, 2019
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
本文综述时间知觉领域的最近进展并讨论贝叶斯处理在构建时间模型中的作用。
Jan, 2022
使用脑机接口（BCI）技术研究用户的注意力、认知和情感状态，推导用户偏好以及与视觉内容的关联，并将其应用于信息检索、生成模型的个性化控制以及群体情感估计。
May, 2024