精确和特定的统计集合建模要求理解生物复合物的宏观特性。我们提出了一种方法，通过在欧几里得空间的著名结构模型和概率推断框架中集成约束投影操作，从严格遵循任意几何约束集合的分布中进行采样。在深度学习驱动的药物设计等领域中，这项工作的重要性显而易见，因为保持特定的分子配置相互作用以实现期望的治疗效果和保证安全性至关重要。

Jul, 2023

引入了一种贝叶斯机器科学家，它使用对模型的后验分布的明确逼近来确定模型的合理性，并通过从数学表达式的大量经验语料库中进行学习来确定模型的先验期望。该方法可以自动从数据中提取精确的模型，并且在合成数据和真实数据上提供比现有方法和其他非参数方法更准确的外样本预测。

Apr, 2020

本文提出了一种方法，通过非欧几里得的投影梯度下降，并使用 Bethe 熵作为距离产生函数，以捕获强大的潜在变量的非局部统计信息，同时维持可钦定的快速推理性能，以判别地学习广泛的推理目标，并将该方法应用于结构化引用提取、手写识别和集体图模型中。

Mar, 2015

提出一种将生成式无监督特征学习与概率上的三元组信息处理相结合的方法，将隐式的 oracle 知识转移为显式的非线性贝叶斯潜在因子模型，并证明该方法在学习表示方面优于以前的度量学习方法和没有此类副信息的生成模型。

Jun, 2015

从英国生物库人群数据集中派生低维嵌入空间可用于改善具有可观数据稀缺性的特定疾病的监督估计器，这会对各种医学数据科学应用程序产生重要影响。

Oct, 2021

本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。

Apr, 2023

利用机器学习辅助临床决策支持有潜力显著改善患者护理，本研究设计了一种定制的多模态数据驱动的概率分布，并提出了一种简单可扩展的高斯平均场变分推理来训练具有该先验的贝叶斯神经网络，根据实验结果表明，该方法相比确定性和贝叶斯神经网络的基准模型产生了更可靠的预测模型。

Nov, 2023

我们的研究提出了一种新的形状优化方法，通过减少定义新的减少子空间的原始设计变量的数量，并通过概率线性潜变量模型（如因子分析和概率主成分分析）对数据的生成过程建模，以提高全局优化算法的效率，并在优化过程中生成没有几何异常的高质量设计。

Aug, 2023

通过在低维子空间上使用能量模型（EBMs）对后验进行估计和可视化，我们介绍了一种用于在不透明的逆问题中获得可能解的全谱派生物的新方法，该方法在不确定性量化和可视化方面表现出更高的效率和准确性。

Dec, 2023

基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。

Nov, 2023