文中探讨了贝叶斯统计学派的方法，阐述了先验分布在贝叶斯模型中的实际作用以及超验演绎法的重要性，发现最成功的贝叶斯统计学派形式并不支持归纳推理，从而认为贝叶斯统计学派比超验演绎法更加成熟和复杂。

Jun, 2010

该研究探讨了从多个代理中收集和聚合概率信息的问题，通过使用贝叶斯统计学的技术，将信心表示为代理观察到的样本数量，进而使用适当的评分规则收集代理的预测，实现了基于少量样本的聚合。

Oct, 2014

本文研究了在互联网经济中个体决策者在制定战略选择时的信息生产和消费，重点关注探索、开发和利益激励之间的平衡，并提出了一种不使用任何货币转移的建议政策设计方法以协调决策者。结果表明，经过实验模拟，设计的建议政策可以达到恒定的遗憾值，即使在面对随机收益时也可以达到对数遗憾。

Feb, 2016

Bayesian inference 中的不确定性推断及其分解方法的研究。首次定义了测试数据和训练数据之间的敏感性，并扩展了 Bayesian meta-learning 的分析。

Jul, 2023

本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合，该文提出了概率树作为可能的解决方案。研究发现，单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法，即选择预期增益最高的干预方式，并通过几个例子予以说明；同时，该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。

May, 2022

我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

Jun, 2024

研究了合作推理的基础理论，提出了一种新方法 SCBI 来分析一致性，收敛率和稳定性，并表明合作对于特定情况不仅是可能的，而且从理论上讲在一般情况下也是可行的，以及探讨了人类之间和人机之间合作的意义。

Feb, 2020

研究探讨了自私学习代理和学习主体之间的重复逆向选择博弈，代理通过解决多臂赌博机问题来最大化其预期奖励和激励，主体则在保持一致性估计代理的未知奖励与通过提供自适应激励最大化自身效用之间进行权衡。

Aug, 2023

该研究考虑利用 Bayesian Exploration 方法设计推荐系统，通过信息不对等来鼓励用户进行探索，此外还将用户分为不同类型，以实现最佳的个性化推荐。

Feb, 2019

提出一种新颖的差分隐私贝叶斯假设检验框架，基于统计学中广泛采用的检验统计量的差分隐私贝叶斯因子，不需要模拟完整的数据生成过程，保持结果推理的可解释性，并提供一组足够的条件来确立在该框架下的贝叶斯因子一致性结果，通过多个数值实验证明了该技术的实用性。

Jan, 2024