基于最优输运解释的非线性滤波方法通过模拟和无似然算法估计从当前状态分布到下一个时间步的 Brenier 最优输运映射，利用神经网络建模复杂和多模态分布以及采用随机优化算法提高可伸缩性，通过广泛的数值实验与 SIR 粒子滤波器和集合卡尔曼滤波器进行比较，展示了我们方法在样本效率、高维可伸缩性和捕捉复杂和多模态分布等方面的优越性。

Oct, 2023

提出一种基于状态空间模型的矩阵分解方法，可解决处理用户随时间变化的推荐系统问题，利用卡尔曼滤波器等技术提供准确的推荐结果，通过期望最大化算法学习系统参数，并与当前发表的技术进行比较。

Oct, 2011

本文研究了在随机行为和观测存在的情况下，信念跟踪问题无法计算的问题。作者提出了一种新的算法，该算法可以保持概率信念在因果封闭的 beam 中的确切且高效的分解形式，扩展了基本公式与两种近似方法：信念传播形式和采样方法。

Sep, 2019

利用变分推断学习参数化分析映射，通过估计条件分布对于动态系统的滤波分布，在过滤线性和非线性动态系统中也适用。

Jun, 2024

使用 Tucker 分解模型，配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择，取得高准确率的分类模型，使其适用于高维分类数据并解决标记互制问题。

Jan, 2013

本文提出了一种名为 RKN 的循环卡尔曼网络，它可以在不使用其他近似方法（如变分推断）的情况下，使用反向传播直接学习高维因式分解潜在状态表示，从而具有能够精确估计不确定性的能力，并在图像插值任务中优于多种生成模型。

May, 2019

本论文提出了一种新的条件密度滤波算法（C-DF），用于有效的在线贝叶斯推断，通过在新数据到达时从条件后验分布的近似中采样，利用统计量消除了同时存储或处理整个数据集的需求，从而提高了内存需求和运行时长，改善了混合度，并展示了其在高维压缩回归中的应用。同时，本文证明了 C-DF 样本随着采样的进行和数据的增多而渐近地收敛于目标后验分布。

Jan, 2014

高维 Gauss-Markov 模型的推断中，我们提出了一种概率数值方法以解决滤波和平滑中存在的时间和内存复杂性难题，并演示了该方法在大规模气候数据集上的可扩展性。

May, 2024

针对高维度的非高斯状态空间模型、非线性且可能是混沌动力学以及空间与时间稀疏的观测，我们提出了一种新的过滤方法，使用交通测度、凸优化和概率图模型的思想来产生高维度下的坚韧的集成近似过滤分布。我们的方法可被理解为集成卡尔曼滤波器（EnKF）的自然推广，使用随机或确定性耦合来进行非线性更新。使用非线性更新可以降低 EnKF 的固有偏差，只带来少量的计算成本。我们避免了任何形式的重要性采样，并引入了维度可扩展性的非高斯本地化方法。我们的框架在混沌区域的 Lorenz-96 模型的挑战配置下实现了最先进的跟踪性能。

Jun, 2019

利用卡尔曼滤波器建立一种动态模型，以矩阵分解方法进行协同过滤和相关因式分解建模，通过建模每个低维潜在嵌入为多维布朗运动来解决时间演化问题，并采用几何布朗运动处理隐含参数漂移问题，同时还应用平均场变分近似对后验概率分布的复杂性提出了解决方法。该模型在多个大型数据集上进行了评估。

Jan, 2015