使用 Dirichlet 过程混合（DPM）模型可用于推断基因表达数据，同时也可以直接应用于混合的有限混合模型（MFM）中，具有类似的数学性质。

Feb, 2015

本研究提出了一种基于后验模拟的隐式模型先验和神经网络的元均账后验推断方法，用于系统地选择模型组件以及实现参数推断。研究表明此方法对于发现数据一致的模型配置，估计参数以及识别非可识别模型组件等方面能够提供有力的工具，有效地促进了数据驱动模型的复杂性建造与推断。

May, 2023

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

在这篇论文中，我们讨论了一种广义均场理论，它使用可追踪分布的丰富集合来近似表示一类难以处理的分布，并通过分布空间上的约束优化来实现。我们还介绍了一类广义均场算法，用于复杂的指数族模型的近似推断，它将复杂模型分解成一组不相交变量簇，并使用一组规范的定点方程来迭代地更新参数，找到保留每个簇内原始依赖结构的局部最优参数，因此完全分解了整体推断问题。通过实验证明，我们比较了不同可追踪族群（不同粒度的簇）对推理质量的影响，并将其与 BP 算法在几个标准模型上进行了比较。还讨论了高阶 MF 逼近的可能扩展。

Oct, 2012

本文介绍了一种高效的先验模型 —— 高斯混合 Markov 随机场模型 (GM-MRF)，以及通过构建替代函数的新型分析框架，在低对比度和高对比度区域分别控制图像重建锐度的方法。实验证明了该模型在图像去噪和低剂量 CT 重建方面的价值。

May, 2016

基于形状约束函数估计的思路，本文提出了一种估计混合比例和未知分布的方法，研究了其一致性和收敛速率，开发了自动化的无分布有保证的混合比例置信下限估计方法，并分析了在天文与微阵列实验中的应用。

Apr, 2012

本文提出了一种基于 Markov chain Monte Carlo 方法的贝叶斯非参数混合模型的后验抽样方法，该方法采用归一化随机测度先验，并利用一些最近的后验特征进行修改，提高了 Neal 的 Dirichlet 过程混合模型 8 号算法的效率，并为其构建了一种相关算法。在应用实例方面，我们考虑了具有潜在归一化广义 Gamma 过程先验的混合模型，并描述了比较性的模拟结果证明了所提方法的有效性。

Oct, 2013

介绍了广义双曲线分布的混合模型，相对于高斯混合分布以及其中的多元 t 分布和偏 t 分布，具有一定的优势性能。通过仿真和真实数据，展示了其在参数估计、聚类以及密度估计中的应用和效能。

May, 2013

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