本文提出了一种基于稀疏高斯过程模型实现的可扩展 Thompson 抽样算法，通过理论证明和实验验证表明该算法不会损失标准 Thompson 抽样算法的遗憾性能，并成功地应用于高通量分子设计任务等实际问题。

Jun, 2020

提出了一种名为 SPOT（Scalable Push-forward of Optimal Transport）的基于隐式生成学习的方法来解决 “最优传输”（Optimal Transport，OT）中的可扩展性问题，该方法通过引入参考分布而近似最优传输计划，并将其转化为极小极大问题。实验结果表明 SPOT 系统具有可靠性和较好的收敛性，并允许从最优传输计划中高效采样，从而有利于领域适应等下游应用。

May, 2019

本篇论文提出集成抽样（ensemble sampling）的方法来近似贝叶斯 “Thompson 抽样” 算法，从而使之适用于更复杂的模型，如神经网络，此方法保持了可计算性，扩展了该算法的应用范围，并给出实验验证和理论依据。

May, 2017

提出一种新的随机优化算法来应对机器学习中遇到的大规模问题，该方法利用任意分布的样本来避免将密度值离散化，并提供了可证明收敛的方法，输出正确的距离。

May, 2016

本文提出了一个基于离散最优输运问题的简单子抽样方案，用于快速随机近似计算最优输运距离。该方案针对完全数据的随机子集操作，可使用任何精确算法作为黑盒后端，包括最先进的求解器和熵惩罚版本。我们给出了其非渐进偏差范围，以针对更高的精度或更短的计算时间进行简化。实验证明，该子抽样方案可以在计算时间大大降低的情况下，获得比精确方法更好的近似效果。

Feb, 2018

这篇论文介绍一种快速、准确的 Wasserstein-1 距离近邻搜索算法 Flowtree，通过实验表明它比之前的最先进算法快 7.4 倍。

Oct, 2019

设计并分析了变化的经典 Thompson sampling 算法以用于贝叶斯优化，并在设置中对其进行了比较，其中函数评估代价高但可以并行执行，在时间约束下，异步并行 TS 相对于同步和顺序版本具有渐进性更低的后悔，同时在卷积神经网络的超参数调整应用中，比现有并行 BO 算法表现更好，更加简单。

May, 2017

该论文介绍了 Thompson 采样算法在处理在线决策问题，尤其是在平衡当前性能和收集信息提高未来性能之间的探索与利用上的应用。该算法适用于各种问题并具有高效的计算能力，具体例子包括伯努利老虎机问题，最短路径问题，推荐系统，主动学习等。此外，本文还讨论了 Thompson 采样算法何时有效、何时无效以及与其他算法的关系。

Jul, 2017

本文提出了一种名为 Epistemic 神经网络 (ENN) 的方法，通过准确的联合预测分布来近似输出预测分布来实现 TS，实验结果表明，ENN 可以相对准确地近似 TS，并且 extit {epinet} 可以用更低的计算成本与大型集合的性能相匹配。

Feb, 2023

本文提出了一种称为批量 Langevin Thompson Sampling 算法的方法，用于学习未知奖励分布和转移动力学，在批处理模式下，算法仅需要对数通信成本。 通过在随机多臂老虎机和无限时间域强化学习中应用此算法，保持与标准汤普森采样算法相同的次优遗憾保证。

Jun, 2023