本文介绍了三种新的方法用于从多峰分布以及存在显著退化的分布中进行抽样和证据评估，以及一种更高效的评估证据不确定性的技术，并将其应用于天文数据中进行贝叶斯目标检测，展示了证据计算和参数估计的准确性和经济性。

Apr, 2007

通过引入易于扩展的 PyTorch 库 posteriors，我们在理论上具有吸引力的贝叶斯学习与现代机器学习模型的计算挑战得以克服，从而使得贝叶斯学习在大规模数据和参数范围下变得可访问且可扩展；通过在 posteriors 实现中引入一种温度设定的随机梯度马尔可夫链蒙特卡洛方法，平稳过渡到优化，并揭示了深度集成的一种次要修改，以确保它们对贝叶斯后验具有渐进无偏性；通过包括对冷后验效应的研究和对大型语言模型的应用实验来展示和比较贝叶斯近似的实用性。

May, 2024

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

本文从贝叶斯非参数的角度出发，重新审视了 k-means 聚类算法。通过分析 Dirichlet 过程混合物的 Gibbs 抽样算法，我们发现这个算法在极限下接近于硬聚类算法，可以优雅且单调地最小化一个类似 k-means 的聚类目标，包括对聚类数的惩罚。我们将这个方法推广到了多个数据集的聚类情况，并讨论了进一步的扩展，包括门槛特征向量的光谱松弛和在图中不需要固定聚类数的归一化割图聚类算法。

Nov, 2011

本文提出了一种将高斯过程进行分解，以便通过将先验与数据分离来进行可扩展抽样的方法，同时结合稀疏逼近在训练和测试时间都能够达到可扩展性的一般性方法。实验证明分解后的样本轨迹可以以较低的代价准确地表示高斯过程后验分布。

Feb, 2020

本文提出了利用 Hamiltonian Monte Carlo 方法的广义运动函数来改进随机梯度马尔可夫蒙特卡罗采样的效率，并讨论了克服这种泛化所引入的实际问题的技术。实验证明，该方法在探索复杂的多峰后验分布方面表现优秀。

Jun, 2017

利用参数化 bootstrap 计算贝叶斯后验分布，通过重要性采样方法可以计算贝叶斯估计的频率精度，同时理论上也提供了贝叶斯和频率分析之间的联系，并在模型选择中展示了如何有效地算出贝叶斯推断的频率精度和演算法。

Jan, 2013

应用小方差渐近方法直接处理贝叶斯非参数模型的后验概率，得到一种超越聚类的特征学习目标函数，并提出一些易于实现的新算法，这些算法的效果被实验结果验证。

Dec, 2012

本文提出了第一个使用高斯过程的非参数贝叶斯模型，在不用网格化域或引入潜在稀化点的情况下对泊松点过程进行推断。我们设计了 MCMC 采样器，并展示了我们的模型在合成数据和实际数据上比竞争模型更快，更准确且生成的样本更少相关性。最后，我们证明我们的模型容易处理先前未考虑的数据规模。

Oct, 2014

提出了一种基于贝叶斯非参数方法的、不需要假定模型真实的学习方法，该方法利用统计模型但不要求模型真实，并且具有比参数模型更好的性质，并可通过蒙特卡罗采样方案在现代计算机架构上实现大规模计算。

Jun, 2018