本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战，旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。

Nov, 2017

使用高斯过程作为灵活的模型并使用高斯过程回归直接从稠密数据集中计算估计，开发出一种非参数方法来估计随机微分方程组中的漂移和扩散函数，并开发了一种近似的期望最大化算法来处理稀疏观察之间的未观察到的潜在动态。

Feb, 2017

本文提出一种基于混合模型的 Additive Noise Model (ANM)，并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束，可用于根据混合模型的生成机制进行因果推断和聚类。

Sep, 2018

使用结构化概率分布的混合模型，提供了逼真的后验推断，相较于基于神经网络的仿真推断方法，在计算上具有更小的足迹，对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。

Mar, 2024

采用贝叶斯神经网络推断随机系统的朗之万方程，以及预测不确定性的综合框架。

Feb, 2024

通过连接种植扩散模型（DMs）的随机微分方程（SDEs），本文旨在理解和增强贝叶斯流网络（BFNs），从而迭代地通过贝叶斯推理改进各种噪声水平下分布的参数。通过这些发现并结合 DMs 中快速采样的现有方法，我们为 BFNs 提出了一种专用求解器，在图像和文本数据集上用有限数量的函数评估（例如 10 次）大大超过了原始 BFN 采样器的样本质量。其中，我们最优采样器的速度提高了 5 到 20 倍，且免费提供代码。

Apr, 2024

介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。

Sep, 2008

SNPE-B 是一种用于模拟为基础模型的顺序神经后验估计技术，本文提出了改进的方法，包括使用自适应校准核的集中损失函数和方差降低技术，以提高数据效率并加快学习过程。实验结果表明，我们的方法在某些任务上表现优于原始方法和其他竞争方法。

Nov, 2023

本文提出了名为 SINN 的机器学习框架，可以从数据中学习随机动力学，并演示了其在粗粒化问题和过渡动力学建模方面的应用及其在罕见事件模拟方面的适用性。

Feb, 2022

从低分辨率时间数据推断动力学模型在生物物理学中仍然是一个重要的挑战，我们提出了一种方法，利用与潜在扩散过程相关的概率流来推断插值分布之间的自主的非线性力场，通过使用得分匹配来区分力场和固有噪声，我们的方法可以从非平稳数据中提取非守恒力，在应用于稳态数据时学习均衡动力学，无论是添加型噪声模型还是乘法型噪声模型。

Oct, 2023