- 基于贝叶斯的从未知一般干预中发现因果关系
学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导 - 基于贝叶斯方法的不确定输入高斯过程回归
该研究提出了一种使用贝叶斯方法将观测数据的不确定性与高斯过程回归相结合的方法，因此在科学应用中可以更好地估计不确定性，并获得更稳健的预测结果。
- 使用 HyperPCTL * 的多智能体系统贝叶斯统计模型检验
本文介绍了基于贝叶斯方法的统计模型检查（SMC）算法，用于在离散时间马尔可夫链（DTMC）上检查指定于逻辑 HyperPCTL * 的概率超性质；我们提出了一种基于递归算法的 SMC 超算法，该算法基于修改后的贝叶斯测试，考虑了递归可满足结 - 从贝叶斯角度看深度合奏
深度集成是一种用于深度学习中不确定性量化的最新技术，本研究通过指定相关假设，证明了其可视为近似贝叶斯方法，该发现有助于改进估计并增大认识不确定性，数值实验表明这种改进有助于提高鲁棒性，同时可以通过分析导出方便计算的结果。
- DeBayes: 一种用于消除网络嵌入偏差的贝叶斯方法
本研究提出了一种使用偏置先验的贝叶斯方法（DeBayes），来学习去偏置的嵌入，以实现更加公平的链接预测，有效应对机器学习算法中人种、性别、年龄等个人隐私信息对算法造成的影响。
- MM基因调控关系的大规模局部因果推断
提出了一种基于 Bayesian 方法的计算模型，用于从基因表达的高通量遗传数据中发现基因之间的局部因果关系。模型的应用结果表明，可以从稳定且保守的局部因果结构后验概率中推导出最有意义的调控关系。
- 具有自动秩选取的贝叶斯张量神经网络
本文提出了一种贝叶斯张量化神经网络，通过自适应张量秩确定实现自动模型压缩。我们在全连接神经网络、CNN 和残差神经网络上进行了实验验证，仅仅通过训练，我们的方法可以将模型压缩 7.4 倍到 137 倍。
- 神经网络架构的贝叶斯学习
本研究提出一种基于贝叶斯方法的神经网络架构参数估计方法，通过学习这些参数的具体分布来实现。研究表明，具有学习结构的正则网络在小数据集上可以更好地泛化，而完全随机化的网络可以更强健地处理参数初始化。与基于随机搜索的架构搜索不同，所提出的方法依 - EMNLP一种基于贝叶斯方法的众包序列标注技术
本研究提出了一种用于聚合序列标记的贝叶斯方法，该方法通过对注释者的误差和模拟注释的困难度进行建模，有效地减少了常见的跨度注释错误。 通过在命名实体识别，信息抽取和论证挖掘方面进行 crowdsourced 数据的评估，表明我们的序列模型优于 - CVPR通过可变上下文将指代表达式与图像联系起来
本文提出了一种变分贝叶斯方法，名为变分语境，用于解决指代表达的复杂上下文建模问题，在具有监督学习和无监督学习的情况下对各种基准进行广泛实验，都得到了优秀的结果。
- NIPS驯服非平稳赌博机：一种贝叶斯方法
针对非平稳环境下的多臂赌博问题，提出了一种基于贝叶斯方法的 Thompson Sampling 变体，对其进行了系统性降低先前观测效果的描述，通过增加贝叶斯采样的功利值提供了最优化算法的乐观版本，并进行了广泛的实证分析和与各种算法的比较研究 - 贝叶斯混合 Plackett-Luce 模型用于部分排名数据
本文提出了一种基于贝叶斯的 Plackett-Luce 混合模型用于分析部分排名数据中未被观测到的样本异质性。
- 来自实验和观测数据混合的因果发现
本文介绍了一种贝叶斯方法，用于将任意混合的观测和实验数据相结合，以学习因果贝叶斯网络，其中观测数据是被动观察的，实验数据是实验者通过操纵一个或多个变量来获得的。该学习方法已应用于基于 ALARM 因果贝叶斯网络生成的各种混合实验数据，其用于 - 贝叶斯网络中精确贝叶斯结构发现的进展
本文介绍了一种贝叶斯方法用于从完整数据中学习贝叶斯网络结构，并使用前向 - 后向技术和快速莫比乌斯变换算法实现了对所有潜在边缘后验概率的计算，从而加速了学习中等大小网络的统计能力的实验研究。
- 天文数据线性回归中测量误差的一些方面
描述了一种贝叶斯方法来考虑天文数据中的测量误差，并将其应用于研究放射性星系的 X 射线谱斜率与 Eddington 比之间的关系，该方法基于导出测量数据的似然函数，并以高斯混合模型为基础进行泛化。