贝叶斯网络的快速并行精确推断：海报
本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS，用于加速贝叶斯网络结构学习，通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施，实现了对处理时间和内存使用的有效控制，并在综合实验研究中证明了其相对于当前多线程技术的显著加速效果。
Dec, 2022
基于 PC 算法的 FSBN 和 SSBN 算法使用局部搜索策略和条件独立性测试从数据中学习因果网络结构，通过引入 d - 分离来推断更多的拓扑信息，优先级调整条件集，并且能够立即和高效地终止搜索，从而实现了高达 52%（FSBN）和 72%（SSBN）的计算成本降低，对于 200 个节点的网络 SSBN 表现出更高的效率，实验证明这两个算法在减少计算成本的同时能够保持与 PC 算法相同的归纳质量，适用于大数据分析的各种应用。
Oct, 2023
提出了一种用于创建基于贝叶斯非参数模型的流式分布式推理算法的方法，其中处理节点接收数据小批量序列，为每个小批量计算变分后验，并对中央模型进行异步流式更新。
Oct, 2015
提出了一种称为双向推理网络（BIN）的方法，它可以将多个概率神经网络缝合在一起，以建模变量之间的条件依赖关系，并通过迭代更新变量来进行预测。同时，将 BIN 扩展到了复合 BIN（CBIN），通过自适应平滑优化器的方法，在训练阶段的迭代预测过程中提高了精度和计算效率，并在人工合成数据集和真实数据集上展示了 CBIN 单个模型可以实现最先进的性能，而且在大多数推理任务中比为不同任务专门训练的多个模型获得更高的准确性。
Feb, 2019
本文提出了一种基于增量建立 - 推断 - 近似（IBIA）框架的算法，用于近似求解贝叶斯网络中最大可能解（MPE）的推断问题，该算法无需搜索，运行时间竞争力强，可在 117 个测试基准中的 100 个得到有效结果，精度与分支限界搜索相当。
Jun, 2022
通过研究两种常见的变分方法，该文证明了在低不确定性区域之间不存在过多信息增加的情况，并提供了深度神经网络中的柔性不确定性估计的近似贝叶斯后验分布，但发现了类似于单隐层 ReLU 情况的病理现象。
Sep, 2019
在天文学中，为了解决神经后验估计方法的三个关键问题，我们引入了一个新的框架和开源软件 nbi（神经贝叶斯推断），该框架支持自动化和序列化的神经后验估计方法，并提供了内置的自动化网络和修改后的算法 SNPE-IS，从而实现了光曲线和光谱等天文推断问题的快速应用。
Dec, 2023
本文提出了一种名为 PMCnet 的新算法，该算法采用自适应重要性采样技术，利用复杂的（通常是多峰的）后验概率分布的几何信息，为设计贝叶斯神经网络提供了成功的方法，以实现在医疗保健或自动驾驶等决策重要性较大的领域中的机器学习应用，并同时降低了计算成本。
Oct, 2022
研究使用贝叶斯神经网络作为替代标准高斯过程代理模型进行优化，并比较了多种不同的近似推理程序，发现在不同问题中，方法的排名高度依赖于问题本身。其中，在高维问题中，无限宽度的贝叶斯神经网络特别有前途。
May, 2023
提出利用贝叶斯方法学习深度神经网络中的节点稀疏贝叶斯神经网络模型，证明其后验浓度速率接近最小最优和适应真实模型的平滑程度，并开发了一种新的 MCMC 算法，以实现节点稀疏 BNN 模型的贝叶斯推断。
May, 2023