介绍了一种类似于前向-后向算法的BBVI算法，它可以使得我们高效地从变分分布中进行采样，并且可以估计ELBO梯度。在动态词嵌入模型上的结果证明了我们方法的有效性。

Jul, 2017

本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

Oct, 2019

本文中介绍基于条件深度生成模型和卷积神经网络的CVAE方法，旨在构建适用于高维数据和具有不确定性的结构健康监测的模型。在两个与结构健康监测相关的数字示例中，模型具有高重构精度和较好的抗负载能力。

Feb, 2023

本研究旨在利用模型不确定性作为 BNN 结构学习的框架，提出了可与模型空间约束结合的可扩展变分推理方法，试图在模型和参数的联合空间中进行推理，进而实现结构和参数不确定性的组合，并在基准数据集上进行了实验，表明使方法比普通 Bayesian neural networks 更加稀疏，但得到了与竞争模型相当的精度结果。

May, 2023

本文介绍了一种新的多模态变分自编码器，它可以从联合分布中生成或有条件地生成任意数量的复杂模态。该方法使用深度典型相关性分析嵌入，条件化单模态后验分布，从而可以跨模态生成产生更一致性的结果。此外，本文使用正则化流准确表达单模态后验分布，实现更多样化的数据生成。最后，文章提出了一种基于Expert乘积的推断模式，使得模型可适用于任意数量的模态。在多个数据集上的实验表明，本文的方法可以提高生成数据的合理性和多样性，以及特定条件生成的连贯度量。

May, 2023

该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法，通过融合卷积和循环结构，以及关注机制的重要集成，该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应，取得了显著的预测准确性、早期损伤检测以及在多种结构健康监测方案中的适应性改进。该研究不仅提供了一个强大的分析工具，还为更透明、可解释的人工智能驱动的结构健康监测解决方案铺平了道路，并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。

Aug, 2023

使用全自动化的机械类自动编码器实现结构损伤的自动检测和定位，该方法结合了可扩展、廉价、无需人工干预、针对每个机械结构定制化的全被动测量技术，具有较标准自动编码器35%提前检测和定位损伤的能力，有望显著降低人工干预和检测成本，延长土木基础设施的寿命、可靠性和可持续性。

Feb, 2024

我们提出了一个框架，使用条件分数扩散模型执行贝叶斯推理来解决机械学中涉及由加载的噪声测量推断出具有空间变化的材料属性的一类反问题。

Jun, 2024

本研究解决了在结构动态模型中进行最大后验（MAP）估计时，计算需求高的问题。采用有理多项式混沌扩展(RPCE)代理模型和稀疏贝叶斯学习的方法，结合贝叶斯优化，以此减少模型评估次数，实现了高效的参数更新。结果表明，该方法在参数更新及模型设计优化方面具有显著效果。

Aug, 2024

本研究解决了机器学习在结构动态预测中由于测量噪声和建模误差导致的可靠性问题，强调了不确定性意识的重要性。文章通过分类概率方法与非概率方法，对应对不确定性的各种技术进行了综合评审，特别强调了贝叶斯神经网络在性能与潜力上的优势。研究的最大贡献在于识别了研究缺口并建议未来研究方向，为学术界和实践者提供了全面的见解。

Aug, 2024