- 1 比特矩阵完备性问题中分数后验的集中性质
通过考虑非均匀采样方案，我们为二值观测的矩阵完成问题提供了理论保证，证明了分数后验的有效性。我们使用两种不同类型的先验分布来实现这一目标：低秩分解先验和谱缩放的学生先验，后者需要较少的假设。重要的是，我们的结果具有自适应性，不需要对参数矩阵 - 具有权重通用先验的全连接贝叶斯神经网络的后验集中度
使用贝叶斯方法进行深度神经网络（BNNs）训练在广泛应用中受到了极大关注，并且已被有效地应用于各种情况。然而，大多数关于对 BNNs 的后验集中性质的研究仅在具有稀疏或重尾先验的 BNN 模型中证明结果。令人惊讶的是，目前还没有关于使用最常 - COLING主成分分析作为贝叶斯语言地球生物进化复原的健全性检查
提出了一种简单的方法，通过将重建的语言家族树投影到主成分分析的空间中，有效地可视化了异常，特别是在游走的形式中，以理解这种假设被破坏的程度对于验证语言起源演化推断的准确性至关重要。
- 推理和学习统一描绘的抽象推论
基于神经科学中贝叶斯方法对脑功能的启示，我们提出了一个简单的概率推断理论，用于统一描述推理和学习。我们通过符号逻辑中知识的可满足性模拟数据如何引发符号知识的过程，即抽象过程和选择性无知。我们讨论了推理的逻辑后果关系以及基于实验证据的 MNI - 从数据中推断抽象的统一符号推理模型
从神经科学的贝叶斯方法论中汲取灵感，我们提供了一种统一的概率模型，用于从数据中进行各种类型的符号推理。我们使用经典后果关系、经验后果关系、最大一致集、最大可能集和最大似然估计来描述它们，该理论为实现类人机智能的推理过程提供了新的见解。
- 贝叶斯迁移学习
贝叶斯迁移学习方法在不同领域的先前知识引导新学习任务的最佳信息问题上具有广泛应用，并通过模拟研究展示了其与频率论竞争者相比的性能。
- 动力系统中贝叶斯状态和参数估计的信息场论方法
本论文基于信息场理论构建物理先验概率度量，以便于对连续时间确定性动态系统的状态和参数进行可伸缩的贝叶斯估计，以克服时离散化方法的缺陷，并使用随机变分推理算法近似无法计算的后验概率。
- ICML掩码贝叶斯神经网络：理论保证及其后验推断
提出利用贝叶斯方法学习深度神经网络中的节点稀疏贝叶斯神经网络模型，证明其后验浓度速率接近最小最优和适应真实模型的平滑程度，并开发了一种新的 MCMC 算法，以实现节点稀疏 BNN 模型的贝叶斯推断。
- 利用可计算先验和概率上下文无关文法的贝叶斯决策树
本文提出了利用一种新标准进行训练贝叶斯决策树的方法，得到的树的分类准确度可与贪婪构造的决策树相媲美或更好，同时树的大小显著减小，并可以在数据集大小的多项式时间内进行后验学习和采样。
- WWWGuideBoot: 深度情境强化学习的引导式自举方法
本研究提出一种 Guided Bootstrap 方法，结合了贝叶斯方法和 Bootstrap 方法，旨在解决复杂深度场景下的探索 / 利用困境，并在合成任务和大规模广告环境上实现了显著性能提升。
- IJCAI可扩展的贝叶斯非线性矩阵补全
基于高斯过程潜变量模型的贝叶斯非线性矩阵补全算法，经过数据并行分布式计算方法加以优化，实现了对于高度稀疏大型矩阵的预测任务，得到了较好的实验结果。
- 通过任务感知的生成性不确定性实现对于超出分布输入的鲁棒性
本文提出了一种结合生成模型和模型不确定性的不确定性感知机器人感知方法，用于处理源自超出分布状态的不确定性。
- 工程师的机器学习简介
本文旨在介绍机器学习的关键概念、算法及理论结果，聚焦于监督 / 无监督学习问题的概率模型并通过基础概念和算法入手，引导读者接触更深入的课题，并提供指向文献的引用；按照判别模型和生成模型、频率学派和贝叶斯学派、精确和近似推理以及有向和无向模型 - 一种贝叶斯超先验方法用于联合图像去噪和插值，以应用于 HDR 成像
本文提出了一种用于图像还原的基于超先验和图像块建模的方案，以适应于对角退化矩阵和信号相关噪声模型，特别适用于计算摄影。