本文主要介绍贝叶斯推理的层次模型和超参数，为包括初学者和资深人士在内的广泛观众提供有用的见解，并从引力波天文学领域进行案例说明。全文涵盖了似然函数、先验、后验、贝叶斯证据、贝叶斯因子、资料比等内容及其应用，最后将形式主义泛化为讨论超参数和层次模型并提供相关附录。

Sep, 2018

本研究提出了一种新颖的、具有层级结构的半监督事件建模框架，结合序列潜变量模型和本体知识，通过一系列的结构化潜变量层对语义知识进行制导，成功提高事件建模的表现，并在两个数据集上的四种不同评估指标上均优于先前现有的最佳方法。

Dec, 2022

提出一种新型的概率编程框架，通过跨平台的概率执行协议直接连接到现有的大规模模拟器，允许通用推理引擎以语言无关的方式记录和控制模拟器内的随机数，并通过后验推断的高度可解释性来演示其技术应用于粒子物理学，提升推断效率。

Jul, 2018

通过自主学习的潜在事件编码，我们模拟了层次预测的发展，并提出了一种采用递归神经网络的分层体系结构，能够生成能够压缩感知动作序列的稀疏变化潜在状态。高层网络能预测潜在状态发生变化的情况。我们在仿真机器人操纵器上进行了实验，结果显示这个系统学习到了准确的数据事件结构，能够生成类似于婴儿眼追踪研究中发现的目标预期行为，并且为自主学习压缩层次编码和利用这些编码来生成自适应行为提供了新的方式。

Jun, 2022

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

Bayesian 脑理论探讨了大脑采用生成模型来理解外界世界。本研究提出了分层指数族能量模型（HEE 模型），用于捕捉推断和学习的动态。通过将分区函数分解为个别层，并利用一组具有较短时间常数的神经元来采样分解归一化项的梯度，我们的模型能够同时估计分区函数并执行推断，避免了常规能量模型中遇到的负相位问题。此外，我们展示神经适应可以作为动量项，显著加快推断过程，以适应大脑的快速计算。在自然图像数据集上，我们的模型展示出与生物视觉系统中观察到的相似表示。此外，对于机器学习社区，我们的模型可以通过联合或边缘生成产生观测数据。我们表明边缘生成优于联合生成，并且与其他能量模型的表现相当。

Oct, 2023

本文提出了一种新颖的方法来加速贝叶斯推断过程，特别关注嵌套取样算法。

May, 2024

通过学习如何从具有相似因果机制的训练任务中汇总数据，我们提出了基于因果相似性的层次贝叶斯模型，以改善对新任务的泛化能力。我们将这一泛化建模原则应用于贝叶斯神经网络，并通过对模拟和实际数据的一系列实验展示了我们方法的优势和实用性。

Oct, 2023

该研究利用交换神经网络，实现了基于模拟数据的统计推断，旨在解决高维变量积分与数据置换不变性问题，取得了在重组热点测试问题上领先于现有技术的成果。

Feb, 2018

近年来，由于计算能力的提高和灵活性的增强，模拟模型在经济学中变得越来越普遍。本文提出了一种使用深度神经网络构建类似于似然函数的近似方法以进行贝叶斯估计的方法，用于解决传统频率学派估计方法难以解决的问题，并对其进行了检验。总的来说，我们发现我们提出的方法在金融异质代理模型的估计以及模型中变化动力学的识别等多种情境下，能够持续地获得更准确的估计结果。

Jun, 2019