本文提出了一种深度学习框架，可用于建模复杂的高维密度，基于将数据转换为独立的潜在变量的因式分解分布，容易训练，适用于多种场景，且有良好的生成模型表现。

Oct, 2014

使用新型训练准则 DICE，提高深度集成模型的多样性并同时保持准确性，可以在 CIFAR-10 和 CIFAR-100 数据集上获得最新的最高准确率结果，并影响了校准、不确定性估计和在线协同训练。

Jan, 2021

本文提出了一种基于自编码器的方法，通过恢复两个统计独立组件的隐藏元素来解决混合数据下的潜变量发现问题，并在图像合成、语音合成和胎儿心电图提取等多个任务中进行了性能验证。

Oct, 2021

本研究针对概率模型的可辨识性理论，通过一种广泛的条件能量模型建立充分条件，使得学习到的表示在函数空间上是唯一的，从而可以用于在非线性 ICA 框架下的组件估计，同时提高了图像数据集在迁移学习和半监督学习任务中的性能。

Feb, 2020

本研究提出了一种基于后验模拟的隐式模型先验和神经网络的元均账后验推断方法，用于系统地选择模型组件以及实现参数推断。研究表明此方法对于发现数据一致的模型配置，估计参数以及识别非可识别模型组件等方面能够提供有力的工具，有效地促进了数据驱动模型的复杂性建造与推断。

May, 2023

本文提出了一种离散数据分析的统一理论，并将该理论与独立分量分析、非负矩阵分解和潜在狄利克雷分配等技术进行了比较。讨论的主要算法包括变分近似、吉布斯抽样和 Rao-Blackwellised Gibbs 抽样。文章介绍了在美国参议院 2003 年的投票记录和路透社 - 21578 新闻线路集的应用。

Apr, 2006

通过期望最大化算法，我们提出使用条件归一化流来近似后验概率，在贝叶斯逆问题中联合估计后验和噪声参数，应用于间接测量和纳米计量领域，该模型能够整合多种测量信息。

Feb, 2024

基于深度学习的医学图像分割在许多任务上达到了最先进的性能。然而，最近的研究表明深度神经网络可能会出现错误校准和过度自信的问题，从而导致临床应用中的潜在失败。贝叶斯统计提供了一种直观的方法来检测深度学习的失败，基于后验概率估计。然而，对于大规模医学图像分割深度神经网络来说，贝叶斯深度学习和后验估计都是难以处理的。为了解决这个挑战，我们提出了一种基于哈密尔顿蒙特卡洛法和冷后验的贝叶斯学习框架，用于医学数据增强，命名为 HMC-CP。通过循环退火策略，我们进一步提出了 HMC 计算方法，捕捉后验分布的局部和全局几何特征，以与训练单个深度神经网络相同的计算预算要求高效地进行贝叶斯深度神经网络的训练。所得到的贝叶斯深度神经网络输出一组分割结果以及分割的不确定性。我们在心脏磁共振图像分割领域广泛评估了所提出的 HMC-CP 方法，使用了域内稳态自由进动序列（SSFP cine）图像以及域外的量化 $T_1$ 和 $T_2$ 映射数据集。

Mar, 2024

该研究介绍了一种在观测条件下，对生成模型进行高效的 MCMC 推断的方法。使用基于哈密顿蒙特卡罗的常约束变体来利用流形的平滑几何，无需近似贝叶斯计算，从而进行精确的推断。

May, 2016

MiCE 是一种可扩展的聚类框架，它同时利用了对比学习学习到的有区别的表示和混合模型捕捉的语义结构，通过 gating function 将一个未标记的数据集划分为子集，并使用多个专家以对比学习的方式区分分配给它们的不同子集的实例。我们进一步开发了 MiCE 的 EM 算法，通过实验证明了它在四个自然图像数据集上的性能显著优于以前的各种方法和强有力的对比学习基准。

May, 2021