提出一种非参数方法，使用不连续方法将一段给定范围上未知的连续概率密度函数近似成为分段常数函数，并使用偏差度量描述分继过程以控制二叉分区。该算法简单高效，且有可证明的收敛速率，其在密度估计等广泛任务上的应用效果得到了实证验证。

Apr, 2014

本论文探讨了 18 种基于概率图模型的分区函数的估计方法，并经过广泛的基准实验进行了严格的实证研究。研究发现精确技术与近似技术的效率是相同的，因此我们对设计具有增强可扩展性的近似技术的机会持乐观态度。

May, 2021

本研究提出了利用半监督学习结合基于密度比估计的贝叶斯优化方法，解决在全局解候选人方面监督分类器过于自信的问题。针对 unlabeled point sampling 和 fixed-size pool 场景，对我们的方法和几种基线方法进行了实验结果展示。

May, 2023

研究了混合模型的递归算法及其等价修改和估计方法，提出了基于数据序列置换的不变性修改方法，并证明了估计的弱收敛一致性。

Aug, 2009

本文提出了一种基于高斯过程先验的贝叶斯方法的新算法，用于从具有噪声和昂贵评估查询的黑盒函数中估计水平集。该算法利用分层序列的分区来探索不同的搜索空间区域，在不同的细节级别上，取决于它们与水平集边界的接近程度，从而得到比现有具有更低复杂度实现，计算成本极小的算法。同时获得了指标差异的高置信度上限，这些上限已被证明比大类别的高斯过程上现有保证严格更好。

Feb, 2019

设计了一种新的快速算法，用于对分段多项式函数进行密度估计，该算法具有采样最优和近线性时间的估计能力，并且在实践中表现良好。

Jun, 2015

本研究提出了一种新的非归一化统计模型估计器族，其参数由两个非线性函数组成，使用来自辅助分布的单个样本，推广了 Geyer 和 Thompson（1992）的最大似然蒙特卡罗估计方法，并且可以像模型中的任何其他参数一样估计分区函数。同时，我们可以通过优化代数简单且定义明确的目标函数来进行估计，从而允许使用专用优化方法。最后，我们从计算效率的角度考虑了相对于给定数据量的最佳辅助样本量。

Mar, 2012

介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

Sep, 2008

提出了一种高度有效的算法，该算法能够学习近似于分段多项式密度函数的单变量概率分布，并应用于密度估计问题，涉及混合对数凹分布、混合 $t$ 峰态分布、混合单峰风险率分布、混合二项式泊松分布、混合高斯分布和混合 $k$ 单调密度等问题。

May, 2013

我们提出了一种用于贝叶斯反问题的降维技术，包括非线性正演算子、非高斯先验和非高斯观测噪声，我们通过一个垄线函数来近似似然函数，并最小化 KL 散度的上界来建立此垄线近似。这个上界可以通过对梯度的二阶矩矩阵的计算来获得并进行上界估计，数值和理论比较证明了方法的优点。

Jul, 2018