本文提出了一种基于神经常微分方程的变分推断算法，在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布，相比于 Monte Carlo 和期望最大化方法具有更高效的性能。

May, 2023

本文介绍了一种利用 Gibbs sampler 并基于均一化思想从马尔可夫跳过程的后验分布模拟路径的方法，并表明该方法在 MJP 模型上表现良好。

Aug, 2012

使用零样本推理的神经网络模型，能够从嘈杂且稀疏的观察中，推断出具有不同维度的马尔可夫跳跃过程，并且达到与针对目标数据集微调的最先进模型相媲美的性能。

Jun, 2024

通过小方差渐近方法，提出了一种新的目标函数和全新的扩展伽马 - 指数过程，用于建立针对马尔可夫跳跃过程的参数估计非奇异轨迹，并开发了一种新算法 ——JUMP-means，旨在提高建模与推断的速度和重构精度。

Mar, 2015

本文提出了基于 Gibbs 采样的快速辅助变量算法，利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径，并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。

Feb, 2012

通过 Bayesian 框架和变分近似推断将离散时间观察和连续时间约束转化为在扩散过程的轨迹上的后验测量逆问题，同时使用化学朗之万方程将此逼近推广到广泛的离散状态马尔可夫跳跃过程中，取得了计算效率高和逆问题的较好逼近的实验结果。

Dec, 2015

本研究论文解决了潜在连续时间随机过程的统计推断问题，提出了一种新的可行的推断方案，基于熵匹配框架，并应用于化学反应网络的建模和参数估计。

Sep, 2023

本研究提出了一种全新的基于变分贝叶斯推断法的、用于处理连续高斯过程调制泊松过程的方案，并得出了有关神经科学、地理统计和天文学等领域的实验数据，证明这种方案具有非常高的效率和性能优势。

Nov, 2014

本文中，我们以无穷指数集的情况为例，给出了最小化近似过程与后验过程之间严格定义的 KL 距离的变分框架的实质性推广。同时，我们还讨论了增广指数集并表明，增广的边际一致性不能保证变分推断与原模型一致，但是我们给出了可获得此保证的额外条件的特征。最后，我们展示了我们的框架如何阐明跨域稀疏求值和 Cox 过程的稀疏求值。

Apr, 2015

提出了一种结合了变分推断和蒙特卡罗方法的新型推断算法，它通过在变分近似中引入一步或多步 MCMC 来生成具有随机辅助变量的后验分布近似，并通过在快速后验分布逼近和精度之间进行权衡提供了更好的灵活性和准确性。

Oct, 2014