- 领域约束在缺失结果数据时提高风险预测能力
机器学习模型用于预测人类决策结果的研究中，提出了一种贝叶斯模型，用于准确估计已测试和未测试患者的风险，并通过健康领域的普遍性约束和专业性约束改进了参数推断。
- 一个简单的逻辑推理和统计学习生成模型
提出了一种基于贝叶斯模型可实现逻辑推理和统计学习的新方法，使得符号推理成为正向和反向过程的结果，并对学习和推理的研究提供了新的视角。
- Locking and Quacking: 通过对数池化和叠加堆叠贝叶斯模型预测
提出了两种将贝叶斯模型组合起来的工具：log-linear pooling 和 quantum superposition，并通过 Hyvarinen 分数对模型权重进行优化，以解决计算正常化常数的负担。
- 元学习认知模型
本研究综合了先前的工作，旨在建立一个关于 cognition 的 meta-learned 模型的研究计划，证明 meta-learning 可以用于构建 Bayes-optimal learning algorithms，实现对 cogn - ICLR使代替模型更贝叶斯化可以增强对抗样本的可转移性
本文提出了使用贝叶斯模型对深度神经网络的对抗样本进行攻击的方法，并通过实验验证了其在改善模型迁移性方面的有效性以及攻击效果，攻击成功率平均提升约 19%。
- 基于 Cox-Weibull 神经网络的贝叶斯武器系统可靠性建模
通过神经网络、贝叶斯模型和新型区间蒙特卡罗 Markov Chain 技术来改进武器系统的预测性维护，结果表明相对于传统模型，本研究方法具备更好的预测能力。
- ICML贝叶斯学习结合信息增益可靠地限制对抗性风险
本文提出了一种新算法来训练深度神经网络模型以抵御对抗攻击，并提出防止模式崩溃以更好地逼近多模式贝叶斯模型的后验分布的方法。其提出的信息增益目标证明了该算法可以使其在抗对抗风险逼近常规经验风险，并且证明了其在 CIFAR-10 和 STL-1 - ICLR面向连续学习的信息论在线记忆选择
本文是关于使用信息论从数据流中选择回放内存的在线选择问题的研究，提出了 Surprise 和 Learnability 准则，并使用贝叶斯模型高效地计算这些准则，进一步引入信息熵随机采样器（InfoRS）来选择高信息熵的点进行采样。在连续学 - LaF：用于自动深度神经网络重用的无标记模型选择
本文提出了一种基于贝叶斯模型的无标签模型选择方法，该方法可以用于深度学习中的预训练模型选择，实验结果表明该方法在多个基准数据集和 DNNs 上表现优异。
- ICLR引述市场是否奖励可重复性的研究工作？
研究了引用和行为的文献计量学领域，通过提出一种分层贝叶斯模型，从时间上考虑引用率而不是一段时间的总引用数，得出性质不同的学科在可重复性工作之间存在或不存在相关性的结论；发现提供代码并完整引用前人的研究将有助于增加文章引用量。
- AAAI解缠空间时间图生成模型
该论文旨在通过使用新的解缩深度生成模型，将时空图分解成空间，时间和图形因素以及解释它们之间相互作用的因素，并使用情报瓶颈理论来最大化这些因素之间的解缠，通过定性和定量实验，在合成和现实世界数据集上展示了该模型优于现有技术的表现。
- KDDSizeFlags: 时尚电商中减少尺码和适配相关退货的方法
该研究介绍了一种基于贝叶斯模型的解决方案，利用顾客提供的大规模低强度标注数据以及人工专家反馈和计算机视觉智能，成功地减少了 14 个国家在线时尚市场上与尺寸有关的退货率。
- ACL采用概率世界构建实现通用的自然语言理解
本文介绍了全新的符号化贝叶斯语义分析和推理模型 Probabilistic Worldbuilding Model (PWM)，旨在实现更通用的自然语言理解与人工智能。PWM 采用贝叶斯理论，能够推广到新领域和新任务，并通过解析和消除更新的 - 信息导向的强化学习奖励学习
使用基于贝叶斯模型的信息导向方法进行强化学习，通过最大化不同策略间回报差异的信息增益来选择专家反馈以提高政策性能。
- CVPRD-LEMA：基于多个标注的深度学习集成 —— 应用于皮肤病变分割
本文提出了一种利用 Bayes 卷积网络处理不同标注者之间矛盾标注情况的方法， 以提高深度学习模型在多标注医学图像分割上的性能和泛化能力。
- 变分贝叶斯去除学习
本研究使用变分推断（VI）框架，提出两种新方法解决从少量数据集中删除数据来约略取消贝叶斯模型的后验置信度的问题，并在合成和现实世界的数据集上用对数回归和稀疏高斯过程等贝叶斯模型进行了实证研究。
- ICML使用具有结构潜在混杂变量的高斯过程进行因果推断
本文介绍了如何半参数地建模具有结构化潜在混淆因素以提高因果效应估计并给出一个基于椭圆切片取样的贝叶斯推理算法；最后展示了基于这个模型的 GP-SLC 在包括婴儿健康与发展项目和新英格兰州全州能耗变化数据集等三个基准数据集上与广泛使用的因果推 - 张量分解中基于掩码的自动秩选择 (MARS)
本文介绍了一种基于贝叶斯模型的 MARS 方法，通过训练学习二进制掩码自动选择张量分解的最佳秩，可嵌入标准的神经网络训练过程中，实现在不同任务中比以前更优秀的结果。
- 产品 Kanerva 机：分解贝叶斯记忆
介绍了 Product Kanerva Machine，它是一种具有分层结构的贝叶斯模型，通过动态组合许多较小的 Kanerva Machines，实现了大规模存储和压缩。它展示了成簇、罕见和组合分配模式，并发现了近似于通过对象对简单图像进 - 功能性神经过程
本文介绍了一种新的可交换随机过程 —— 函数神经过程（FNPs），它们通过学习数据集中点的潜在表示的依赖关系图，对函数分布进行建模。作者在不明确设定潜在全局参数的先验分布的情况下，采用了对给定数据集的关系结构的先验分布来定义贝叶斯模型，并通