本研究引入了一种新的离散选择模型 Pairwise Choice Markov Chain (PCMC) 来预测人类的选择，该模型在不假设传统选择理论公理的情况下具有较好的预测性能，能够取得比 Multinomial Logit (MNL) 模型更好的效果。

Mar, 2016

本研究提出了一种基于粒子的蒙特卡罗方法，其中持续时间通过解析方法边际化，最终在具有组合状态空间的连续时间马尔可夫链上实现更准确的参数后验近似。

Sep, 2013

近似推理是通过使用神经网络来近似代表大型概率分布，该方法通过在查询变量上使用连续多线性函数来近似赋值的代价，并通过神经网络输出解决方案。本论文通过在多个基准数据集上的评估表明，该方法在求解概率电路中的最大边后验和边后验最大估计任务时优于竞争的线性时间近似方法。

Feb, 2024

介绍 iPMCMC，一种基于标准和条件顺序蒙特卡洛抽样器交互的 PMCMC 方法，通过实证结果证明了相对于非交互式 PMCMC 抽样器和具有等效内存和计算预算的单个 PMCMC 抽样器，iPMCMC 混合速率的显著提高，并适用于分布式和多核架构。

Feb, 2016

在 SQuAD 数据集上，我们提出了一种多角度上下文匹配模型，它是一种端到端系统，可以直接预测文本段落中答案的起点和终点。我们的模型通过使用双向 LSTM 来编码问题和加权段落，利用多个角度将文本上下文与编码问题进行匹配，并生成一个匹配向量，最终利用另一个双向 LSTM 汇总所有信息并预测起点和终点。在 SQuAD 测试集上，实验结果显示我们的模型达到了领先位置的竞争力。

Dec, 2016

本文介绍了一种新的基于非可逆马尔可夫链蒙特卡洛算法的类别，利用连续时间分段确定性马尔可夫过程。这些算法基于确定性动力学演化标记过程的状态，同时利用马尔可夫转移核来改变其状态。通过使用这些算法，只有子集状态被更新，导致其他组件的状态隐含不显，另外，利用无偏估计对数目标时，这些算法保持目标不变。本文提出新的 MCMC 方法来解决这些限制，并在多种应用中展示了这些方案的性能。

Jul, 2017

我们提出了非参数的纠缠马尔科夫链蒙特卡罗（NP-iMCMC）算法，作为一种构建用于普通概率编程语言（PPL）可表示的非参数模型的 MCMC 推理算法的方法。该方法建立在统一的纠缠 MCMC 框架之上，并通过提供一个在维度之间驱动状态移动的一般性过程，表明了 NP-iMCMC 可以推广许多现有的 MCMC 算法以用于非参数模型。

Nov, 2022

本研究提出了一种名为 Perfect Match 的方法，它基于近邻匹配来训练神经网络进行反事实推断，可用于处理多种治疗方案，具有易实现、不增加计算复杂度等特点，并在多个基准测试中显示出优异的性能。

Oct, 2018

本文介绍了在贝叶斯分析中后验计算的主要范例：马尔可夫蒙特卡罗方法。我们提出了一种最优化方法，将计算时间和近似误差结合起来，并在均匀混合马尔可夫链的设置中进行了广泛的推广，表明了好的近似在实际应用中的重要性，如 $n$ 个逻辑回归和高斯处理的低秩逼近。

Aug, 2015

本文提出了一种利用社交网络进行少样本个性化对话的元学习方法，并说明了该方法相较于传统的对话生成方法在适应性、多样性和与说话人的一致性等方面的优势。

May, 2021