- 餐饮行业中 COVID-19 对消费行为影响的贝叶斯回归方法
本研究使用 Hamiltonian Monte Carlo 和贝叶斯回归构建创新的分析框架，旨在估计 COVID-19 对不同类型餐厅顾客行为的变化点，从而为餐厅业主和政策制定者提供对疫情影响的理解。
- 关于贝叶斯分类中的不确定性、调和和数据增强
本研究表明，显式地考虑 aleatoric uncertainty 可显著改善贝叶斯神经网络的性能，其中使用 Dirichlet observation model 可以匹配或超过 posterior tempering 的性能，无需 te - 基于贝叶斯回归的建模和堆叠方法在时间序列分析中的应用
本文采用贝叶斯回归法建模时间序列，并堆叠不同的预测模型，使其能够估计时间序列预测不确定性和风险特征，同时探讨使用贝叶斯回归的层次化模型来应对历史数据短、数据变化不明显的销售预测问题。结合 ARIMA, 神经网络，随机森林和 Extra Tr - 基于耦合的 Gibbs 采样收敛性评估：高维贝叶斯收缩先验回归
本文考虑在连续收缩先验下，使用马尔可夫链蒙特卡罗算法进行贝叶斯高维回归分析。文章提出的耦合技术能够实现实用的诊断收敛性，适用于高维回归分析。实验证明，耦合技术在具有一定自由度的半 t 分布先验下能够大幅度减少算法迭代次数，提高计算效率。
- 自适应元学习用于 Rover - 地形动力学识别
本文提出了一种基于元学习的方法，通过将贝叶斯回归算法（P-ALPaCA）与参数仿射的标称模型相结合，增强了探测器动力学的概率预测，并引入了一种正则化方法，以鼓励标称和学习特征的正交性，从而导出可解释的各种地形条件下的地形参数的概率估计。
- ICML使用多头辅助网络的深度贝叶斯回归的不确定性感知 (UNA) 基础
本研究提出了一种训练框架，可以有效地捕捉神经线性模型中的预测不确定性，以适用于风险敏感的应用场景。该框架可以学习数据的特征并进行贝叶斯线性回归，从而生成预测不确定性。
- 神经线性回归模型基准测试
本研究采用神经线性模型对 UCI 数据集进行贝叶斯回归建模，并采用 UCI “gap” 数据集测试模型的 OoD 不确定性，研究结果表明该模型是简单且表现良好的方法，但需要合适的超参数调节。
- 通过贝叶斯深度 Q 网络实现高效探索
这篇论文研究了高维情境下的强化学习，提出了两种基于乐观法和后验采样的算法来解决此问题，并扩展了该方法应用在深度强化学习上，所提出的贝叶斯深度 Q 网络通过采用贝叶斯线性回归的方法调整 Q-networks 的学习方式，使其能够充分平衡探索与 - 自动求导的线性代数
介绍了如何将一些矩阵分解运算（如 Cholesky、LQ 和对称特征值分解）实现为可微分操作符，并将其在 MXNet 上实现。这使得许多基本的机器学习原语（如高斯过程、最小二乘估计、主成分分析和卡尔曼平滑）易于实现并与深度神经网络（DNN） - 分布回归的贝叶斯方法
本研究提出了一种基于贝叶斯分布回归模型的神经网络方法，旨在解决现有监督学习方法中对于群体标签的估计存在不确定性的问题，实现了群体大小变化时模型的可靠性和性能的提高，并在玩具数据集和图像预测年龄的挑战性问题上进行验证。
- MM贝叶斯回归与比特币
本文介绍了贝叶斯回归方法在比特币价格预测中的有效性，使用贝叶斯回归预测了比特币的实时价格，并且设计了一个简单的交易策略，该策略能够在不到 60 天的时间内将投资增加近一倍。
- 贝叶斯加性回归树 (Bayesian Additive Regression Trees)
本文介绍了基于贝叶斯回归的非参数贝叶斯回归方法，该方法使用适应维度随机基元素。文中还介绍了此方法的许多特点，包括向后选择变量，以及使用 42 个不同的数据集进行的性能检验和模拟实验，这也应用于药物发现分类问题中。