本文提出了一种可扩展的近似贝叶斯推断方法，在泛型状态空间模型中，相较于粒子 MCMC 提供了动态潜在状态和模型静态参数的完全贝叶斯推断，从而在多元随机波动模型和自激兴奋点过程模型中实现了可扩展的推断。

May, 2018

介绍了一种使用共轭先验和仿射变换降低蒙特卡罗估计方差的动态机制，该机制适用于解决概率程序中可分析子结构的问题，并加以应用于顺序蒙特卡罗推断和 Anglican 等编程语言。

Aug, 2017

在该研究中，我们使用基于粒子方法和变分推断的变分序贯蒙特卡洛（VSMC）方法，在时间上分布了 VSMC 代理 ELBO 的梯度的近似，从而实现了面向数据流的在线学习，能够高效地进行参数估计和粒子提议适应。同时，我们提供了与数据量趋于无穷大时该算法收敛性质的严格理论结果，以及在批处理设置中的出色收敛性和实用性的数值说明。

Dec, 2023

通过提出一种新的框架，使用顺序蒙特卡罗方法对概率图模型进行推断，其目的是通过针对辅助分布来逼近概率图模型定义的全联合分布，并用于构建一般 PGM 的高维块采样算法。

Feb, 2014

在贝叶斯推断的一般框架中，目标分布只能以比例常数进行评估。我们发展了一种完全并行的顺序蒙特卡洛 (pSMC) 方法，可以证明其具有并行的强缩放性，即如果允许异步进程数量增长，则时间复杂度（和每个节点内存）保持有界。对于一些贝叶斯推断问题，我们将 pSMC 方法与 MCMC 方法进行了比较。

Feb, 2024

贝叶斯因果推断结合基于序的 MCMC 结构学习和基于梯度的图学习技术，提出了一个有效的因果推断框架，可以推断变量的拓扑次序和父集，限制每个变量的父集数量，可以在多项式时间内精确计算边缘化。使用高斯过程对未知因果机制进行建模，引入 Rao-Blackwell 化方案，通过基于梯度的优化学习因果次序分布，采用顺序推断并结合 Rao-Blackwell 化，能够在具有无标度和 Erdos-Renyi 图结构的线性和非线性加性噪声基准测试中达到最先进的效果。

Feb, 2024

本文提出了一种基于前向滤波后向平滑算法的在线或正向递归计算附加功能期望值的 SMC 算法，相较于标准路径空间 SMC 估计量，该估计量的渐近方差只会线性增加，可以实现不会受到粒子路径退化问题的在线最大似然参数估计算法。

Dec, 2010

本文提出了一种应用于状态空间模型的序贝叶斯推断算法 ——SMC^2 算法，它将粒子滤波器和粒子马尔可夫链蒙特卡洛方法相结合，在 θ 维度上进行粒子重要性采样，并通过重新采样步骤和 MCMC 更新步骤来更新粒子，从而解决了状态空间内，用常规方式无法计算出的条件概率密度增量。

Jan, 2011

利用自动编码序列蒙特卡罗的方法模型和提议学习，通过序贯蒙特卡罗的效率执行结构化概率模型的推理并利用深度神经网络对复杂的条件概率分布进行建模。实现同时学习深度生成模型的模型和提议适应的快速、易于实现和可扩展的方法。

May, 2017

介绍了一种采用基于数据的自适应权重的 ABC SMC 方法，可在复杂模型中实现更高的接受率，适用于动态建模等系统生物应用。

Mar, 2015