- ICLRBAM: 贝叶斯自适应记忆
提出一种新的框架 Bayes with Adaptive Memory（BAM）来解决在非稳态环境下 Bayesian 方法中遗忘历史数据的问题并能够持续适应变化的世界。
- ICLRTransformer 可以进行贝叶斯推断
本文介绍了 Prior-Data Fitted Networks (PFN) 方法，该方法利用大规模机器学习技术来逼近大量的后验概率。PFN 的目标是将后验逼近问题表述为带有集合值输入的监督分类问题，并展示了在多种不同领域的强大效果。
- ICCV利用未标记视频对来自未见过的类别的对象进行更好的分割学习
本文探索使用未标注的视频序列自动生成未知类别对象的训练数据，介绍了一种基于贝叶斯方法的自动创建训练集的方法，并通过实验证明其能够显著提高分割未知类别对象的性能，从而可以利用丰富的互联网视频实现开放世界的实例分割。
- AAAI贝叶斯遇见蕴含和预测：基于非单调性、部分一致性和预测准确性的常识推理
本文提出一种基于生成模型的逻辑推理关系，将真值的概率生成过程化，证明了该模型优于其他推理模型，同时给出了一种性能优越的分类算法。
- ICLR一对多 Pólya-Gamma 增强高斯过程的 Bayesian 少样本分类
本文提出了一种基于高斯过程分类器、Polya-Gamma augmentation 和 one-vs-each softmax 近似的方法来解决 few-shot classification 中存储和速度问题，获得了更好的准确性和不确定性 - IJCAI贝叶斯蕴含假设：大脑实现单调和非单调推理的方式
该论文探讨了大脑是贝叶斯机器的假设，给出了一种基于 Bayesian 算法和数据结构的逻辑推理方法，并详细描述了它们的抽象推理属性及优点。
- KDD异构关系核学习
本文将贝叶斯方法扩展到异质时间序列数据的可解释核嵌入，其可用于聚类、模式识别和异常检测等，相较于以往的关系核学习方法，具有更强的实用性。
- 基于贝叶斯原理的实用深度学习
本研究利用自然梯度变分推理方法对深度神经网络进行实用性的训练，并通过批归一化、数据扩充和分布式训练等技术获得类似于 Adam 优化器的性能，即使在 ImageNet 等大型数据集上也是如此。此外，本研究验证了使用贝叶斯原理的好处：预测概率被 - ICML核相互作用技巧：高维度中成对交互的贝叶斯快速发现
本文介绍了一种新的基于高斯过程的贝叶斯方法，能够通过使用 O（p）内核超参数来捕获后验概率，从而实现运行时间和内存直接线性相关，并且通过实验表明其在各种协变量行为的数据集上相对于现有贝叶斯和 LASSO 方法具有更好的计算缩放和错误率。
- 条件神经过程
本文提出了一系列的神经模型 CNPs，结合了深度神经网络和高斯过程两种方法，旨在对给定数据集做出精确预测。
- ICML使用校准回归的深度学习准确不确定性
本文探讨贝叶斯方法在不确定性问题上的推理方法，提出一种简单有效的校准程序，可以保证在足够的数据下，任何回归算法都能够产生准确的校准不确定性估计，并应用于贝叶斯线性回归、前向和递归神经网络中，能够稳定输出准确的区间预测，并提高时间序列预测和基 - 潜变量模型的贝叶斯比较：条件似然 vs 边缘似然
本文讨论了在隐变量模型中使用条件似然度和边缘似然度进行模型比较的问题，并通过比较条件和边缘 Deviance 信息标准和 Watanabe-Akaike 信息标准在心理测量建模中的应用来阐明了这些问题。建议在隐变量模型中普遍应用这些标准。
- ICML通过贪心迭代测地线上升构建贝叶斯削减集
该研究表明，先前的贝叶斯核心子集构建算法在估计后验不确定性时存在不足；因此，提出了一种新的贝叶斯核心子集构建算法 ——GIGA，其优化核心对数似然度以实现后验不确定性的准确估计并且同时保持较快的计算速度。最后在合成和实际数据集上验证了 GI - 序列决策的结构权重不确定性学习
本文提出了在 SVG 框架内通过采用矩阵变量高斯先验对 NN 参数进行有效的结构权重不确定性后验学习的方法，并进一步研究了顺序决策问题中的学习到的结构不确定性，包括上下文三臂强化学习和强化学习。在几个合成和实际数据集上的实验证明了我们模型相 - NIPSPASS-GLM: 可扩展的贝叶斯广义线性模型推断的多项式近似充分统计量
该论文提出了一项新的基于构造多项式近似充分统计量的广义线性模型 (PASS-GLM) 方法，这种方法在估计中提供了理论保证，并在逻辑回归上进行了验证，表现与随机梯度下降，MCMC 和拉普拉斯近似相当，可以用于处理庞大的数据集。
- 温和后验分布及其变分逼近的集中性
本文提出了一种通用方法来证明分数后验变分近似的集中性，应用于矩阵补全和高斯 VB 两个例子，弥补了变分贝叶斯方法在理论方面的不足。
- ICCV非参数变分自编码器用于分层表示学习
本文提出了一种层次非参数变分自编码器模型，以结合树状结构的贝叶斯非参数先验和变分自编码器来实现无限灵活性的潜在表征空间，进而在视频表征学习上取得更好的效果。
- NIPS通过采样强健地表示深度神经网络中的不确定性
本研究测试了 Bernoulli 和 Gaussian 多元噪声采样的权重分别采用 multiplier masking 和 dropconnect 所训练出的神经元网络在 MNIST 和 CIFAR-10 数据集上的概率预测矫正性能。结论 - 贝叶斯强化学习：一项调查
本文深入探讨贝叶斯方法在强化学习中的作用，讨论了使用贝叶斯推理进行动作选择和利用先验知识等方面的优点，概述了在单步赌博机模型、模型基 RL 和模型无 RL 中贝叶斯方法的模型与方法，并全面评估了贝叶斯 RL 算法及其理论和实证性质。
- NIPS可扩展贝叶斯逻辑回归的核心集
本文提出了一种基于 Bayesian 方法的核心子集构造算法，可有效加速后验推断算法，适用于大规模数据集。该方法具有明显的理论保证和实际效果。