使用贝叶斯较量的关键是无脊柱化，这可以提高现代深度神经网络的准确性和校准性，因为这些网络通常被数据欠规范，可以表示许多引人入胜但不同的解决方案。我们展示了深度集合提供了一个近似贝叶斯无脊柱化的有效机制，并提出了一种相关方法，通过在吸引盆地内进行无脊柱化来进一步提高预测分布，而不需要显着的开销。同时，我们还研究了模糊神经网络权重分布所隐含的函数先验，从概率的角度解释了这些模型的泛化性质。最后，我们提供了一个贝叶斯的视角来温和地校准预测分布。

Feb, 2020

利用 Poisson gamma 信仰网络 (PGBN) 因子化每一层，通过上下 Gibbs 采样器进行联合训练，实现对高维计数向量的多层表示

Nov, 2015

提出一种新的层级似然学习框架，将伽马随机效应引入 Poisson 深度神经网络，以捕捉输入变量的非线性效应和主题特定的聚类效应，从而提高预测性能。该方法通过优化单一目标函数同时获得固定参数的最大似然估计值和随机效应的最佳无偏预测器，为处理包含高基数分类特征的聚类计数数据提供了一个快速端到端算法。并且，可以很容易地将最新的网络架构实施到提出的 h - 似然框架中，例如多头注意力层和稀疏最大函数，用于在高维环境中进行特征选择。为了提高实际性能和学习效率，还通过调整过程来预测随机参数，并使用矩量法估计方差分量进行预训练。各种实验研究和真实数据分析证实了我们提出方法的优势。

Oct, 2023

该研究文章探讨了如何从用户知识和统计数据中学习贝叶斯网络，提出了一种得分度量和搜索程序，并通过从单个先验贝叶斯网络构建先验概率分布，识别出两个重要的假设（事件等价性和参数模块化），为连续变量或离散和连续变量混合的领域开发分数度量方法。

Feb, 2013

本文提出了一种将先验知识通过外部摘要信息纳入贝叶斯神经网络中的简单方法，通过引入 Dirichlet 过程并推导相应的总结证据下限，将可用的摘要信息作为增广数据建模。使用本方法可以增强模型对分类任务难度和类别分布的了解，并在准确性、不确定性校准和对数据损坏的鲁棒性等方面表现良好。

Jul, 2022

研究了 likelihood-weighting 算法在 QMR 内科知识库的二级多重连接信任网络表示上的收敛性能，并证明了 Markov blanket 评分和自我重要性采样显著提高了模型的模拟收敛性。

Mar, 2013

研究贝叶斯方法学习来自先前知识和统计数据的贝叶斯网络。通过使用 Dirichlet 和正态 - 威夏特分布的统计事实，结合贝叶斯评分度量，我们实现了对离散和高斯域的统一方法。

Feb, 2013

这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性，实现模型的半监督贝叶斯主动学习，并且通过全贝叶斯判别组件实现参数值不确定性的估计。

Jun, 2017

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020

探讨了一种基于贝叶斯非参数方法的连接组学模型，通过混合模型降低维度并在每个混合组件中高效地整合网络信息，提高了对网络值随机变量概率质量函数的推断灵活性。

Jun, 2014