- 贝叶斯超越交叉验证：通过最大化期望实现高效准确的岭回归
提出了一种用于调整岭回归的正则化超参数 λ 的新方法，比留一法交叉验证 (LOOCV) 更快速计算，同时产生等效或更好的回归参数估计，尤其在稀疏协变量的情况下。
- 基于贝叶斯推理的物理信息神经网络
以贝叶斯公式为基础的物理知情神经网络（PINN）方法，利用 Laplace 近似法获得后验概率密度，通过计算证据度量进行假设分类，并通过贝叶斯算法精调损失组成部分的相对权重，解决热传导、波动和 Burger 的方程，获得与精确解良好一致性的 - 通过贝叶斯攻击提高对抗样本的传递性
本论文提出了一种新颖的方法，在模型参数和模型输入中都引入贝叶斯公式，以实现对迁移性的增强，在对抗样本中取得了显著的改进并超越了现有技术水平。
- 基于概率数据驱动的 RANS 模拟封闭模型，考虑随机模型不确定性
本研究提出了一种基于数据驱动的概率闭合模型，用于 Reynolds 平均 Navier-Stokes 模拟，并且融入贝叶斯方法和随机变量来处理模型的不确定性。
- 高斯图模型的条件矩阵流
该研究提出了一种变分推断方法，通过定义于对称正定矩阵空间上的矩阵变分流来逼近高斯图模型的后验分布，对任意正则化参数 λ 和任意 l_p (伪 -) 范数，包括非凸的 l1 伪范数进行联合训练，从而获得一个模型，并可以恢复频率主义的解路径。
- 学习如何解决贝叶斯反问题：一种分摊变分推断方法
本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。
- 完全贝叶斯 VIB-DeepSSM
本文旨在通过贝叶斯形式化和变分信息瓶颈方法，提高深度学习在医学图像中对统计形态建模的准确性和确定性。
- AAAI潜在自回归源分离
本论文介绍了一种名为 LASS 的矢量量化潜在自回归源分离方法，通过贝叶斯公式和构建离散概率密度函数来实现无需额外微调和修改现有模型即可将输入信号分离成其成分源，该方法在图像和音频分离方面表现出具有竞争力的结果。
- 网络历史可恢复性的相变
本文提出了一种贝叶斯形式的网络考古学方法，其中使用广义优先连接作为生成机制。通过这种方法，可以重建网络的过去状态，同时可以识别和表征正在考虑的网络的质量转变。
- CVPR一种用于非约束性 2D 人脸对齐的树突卷积神经网络中解离 3D 姿势的方法
本文提出了一种名为 PCD-CNN 的单一树突 CNN，使用分类网络和模块化分类网络训练，并通过贝叶斯公式显式解缠图像姿态与面部肢解点。经过广泛实验表明，本论文的方法能够通过姿态编码减少错误率，优于目前极具挑战性数据集的最先进方法（如 AF - 贝叶斯数据增强方法用于深度模型学习
提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。
- 使用非负矩阵分解的有监督和无监督语音增强
本文提出了一种基于非负矩阵分解的贝叶斯监督算法，通过使用 HMM 和在线学习模型解决了模型训练时的匹配问题，并在实验中得出该方法比竞争方法表现更优的结论。
- NIPS贝叶斯生成对抗网络
本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了