本文通过引入与统计物理的 Ising 模型相关的新偶合项扩展了一种基于高斯过程的最先进弱监督多实例学习方法 (VGPMIL-PR)，提高了在组织病理学图像中检测前列腺癌的效果，并通过可视化和分析提供了洞察力，有望在其他研究领域中应用该模型。

Oct, 2023

本文提出了一种新的数据增强策略，基于多项式 Gamma 分布，用于贝叶斯模型中的后验推断。经过实验证明，该方法在回归模型中表现优异，且具有简单、高效等优点。

May, 2012

本文介绍了一些标准概率建模工具在圆形区域中的扩展，包括引入了一个新的多元分布，称为多元 GvM 分布；提出了一个受高斯过程启发的圆形回归概率模型和一种进行圆形隐变量的概率主成分分析方法。此外，我们展示了这些模型中的后验分布是 mGvM 分布，可以使用基于变分自由能的近似推断和近似最大似然学习方法。

Feb, 2016

本文研究了使用梯度的 log posterior 方法来控制梯度估计方差的问题，并应用到伽马分布潜在变量中，以实现稀疏性和非负性适用的模型的黑盒变分推断。该方法在网络数据的伽马过程模型和一种新型的稀疏因子分析中的应用效果均优于传统采样算法和对变换后变量使用高斯变分分布的方法。

Sep, 2015

本文提出了一种新的边界方法用于估计软加函数期望，并展示了它如何应用于变分逻辑回归和高斯过程分类。与其他边界方法不同，我们的方法不需要扩展变分族或引入额外的参数来确保边界的紧致性。实验证明，这个边界方法比现有方法更紧致，而且计算速度显著更快，从而获得了最先进的变分后验性能。

Jun, 2024

该论文介绍了病态模型中使用简单的 VB 策略进行贝叶斯推断的方法，其中特别探讨了在具有 logit 组件的模型中，logistic likelihood 和 linear predictor 系数的 Gaussian prior 之间的缺乏互补关系，并提供了一种新的方法进行有效的推断。

Nov, 2017

通过将变分推断用于推理，将边缘似然的直接逼近解决与非共轭似然的高斯过程模型的近似推断的问题

Jun, 2023

本文介绍了高斯过程模型中两种推断超参数后验分布的方法，一种是哈密顿蒙特卡罗（HMC）求解采样近似，另一种是变分推断（VI），其中超参数后验分布被近似为一个因子化的高斯分布或全秩高斯分布，该文分析了完全贝叶斯高斯过程回归在多个基准数据集上的预测性能。

Dec, 2019

本文提出了 cvHM，一种基于 Hida-Mat 和共轭计算变分推断的潜在高斯过程模型的推理框架，使用 Whittle 近似似然实现高效的超参数学习。

Jun, 2023

本研究提出了一种基于软正逆唯函数的回归模型，采用卷积、堆叠或组合两种操作来构建灵活的非线性预测分布，通过 Gamma 过程来支持无限叠加的卷积，采用 Gibbs sampling 进行贝叶斯推断来解决高度复杂的非线性预测分布问题，并在比较少的计算量下达到与核支持向量机相当的分类准确度。

Aug, 2016