我们提出了 Wright-Fisher 印度自助餐过程 (WF-IBP)，这是一个适用于贝叶斯非参数特征分配模型的概率模型，其中潜在特征根据时间表现出依赖结构，我们描述了一个复杂的 Markov Chain Monte Carlo 算法来对其进行确切的后验模拟，并将其应用于开发无参数的主题模型。

Nov, 2016

使用 Kurihara 和 Welling（2008 年）的极大期望框架进行线性高斯潜在特征模型的近似 MAP 推断，在模型证据的下限上得到一种次模函数。通过使用贪心算法最大化此函数，我们的推理方法与输入数据的规模呈线性比例。

Apr, 2013

提出一种非参数贝叶斯因子回归模型，考虑因子个数的不确定性和因子间的关系，通过 Kingman coalescent 基于因子的分层模型，将其与 sparse Indian Buffet Process 相结合，应用于基因表达数据分析中的因子分析和因子回归问题。

Aug, 2009

提出一种新的方法，用于一般化贝叶斯非线性潜在变量建模，通过使用随机傅里叶特征来逼近高斯过程映射中的核函数，从而将 GPLVM 推广至泊松、负二项和多项分布等情况，并通过随机特征潜变量模型（RFLVM）对广泛的应用进行评估，结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。

Jun, 2023

提出了一种非参数贝叶斯因子分析（FA）的扩展，其中观察数据 𝐘 被建模为潜在无限个隐藏因素 𝐗 的线性叠加 𝐆，使用印度自助餐过程（IBP）作为先验来描绘稀疏性并允许推断潜在特征的数量，使用基于已知 E. Coli 稀疏连接矩阵的随机数据集以及三个逐渐复杂的生物数据集来研究该模型在基因表达数据建模中的实用性。

Nov, 2010

本文介绍了级联的印度自助餐过程 (CIBP)，将其作为单层无限宽隐藏层的置信网络的有向结构的非参数贝叶斯先验，提供了一种无限深和宽、可处理推理的分层有向置信网络结构学习方法，使用非线性高斯置信网络和可变离散和连续表示的单元，提供了用于置信网络推理的马尔可夫链蒙特卡洛算法，并通过多个图像数据集探索了学习到的结构。

Dec, 2009

本论文介绍了一种基于稀疏高斯过程回归和潜变量模型的重新参数化变分推断方法，可以有效解决大规模数据集下高斯过程模型的可扩展性问题，并在飞行数据和 MNIST 数据集上证明了其优越性。

Feb, 2014

本文提出了一种贝叶斯方法，通过非标准变分推理框架在 GP-LVM 中近似积分出潜在变量，从而通过最大化解析较低下界的确切边缘似然来训练 GP-LVM，在学习非线性动态系统方面具有鲁棒性和自动选择非线性潜在空间维数的能力。

Sep, 2014

提出一种适用于异构数据的通用贝叶斯非参数潜在特征模型，能自动进行探索性分析，并能从数据自动推断模型复杂度。

Jul, 2017

本文提出了一种全贝叶斯潜在变量模型，利用条件非线性独立结构学习高效的潜在表示；该模型能够捕捉极高维空间下的结构，可用于建模大规模未加工的图像，并通过从训练模型中的潜在空间中采样直接生成新图像；同时也演示了该模型在人体姿势预测中的应用，贝叶斯框架能够以一种合理的方式进行消岐，以包含数据动态特性的潜在空间先验。

Jun, 2012