- 局部和全局趋势的贝叶斯指数平滑模型的快速吉布斯抽样
在 Smyl 等人提出的《局部和全局趋势贝叶斯指数平滑模型》研究中，提出了一种能够捕捉时间序列中强趋势和波动性的广义指数平滑模型。通过对原模型进行改进以及引入自定义的 Gibbs 采样器进行后验探索，该方法在时间序列预测任务中取得了最先进的 - ICLR用合成数据对 LLM 进行精简自我评价：一个贝叶斯视角
本文通过引入精简自我批判（dSC）将 RLAIF 的解释视为贝叶斯推理，通过 Gibbs 采样器对 LLM 的输出进行改进并提炼为经过调整的模型。只需合成数据，dSC 在安全、情感和隐私控制实验中表现出能够成为与 LLMs 相符的可行且廉价 - 神经网络后验的吉布斯采样
通过在神经网络各个节点引入噪声，作者提出一种新的概率模型，认为由此所得的 posterior distribution 可以用有效的 Gibbs sampler 来采样，并在实验中证明了该方法在真实数据和合成数据上都能取得类似于 Hamil - Gibbs 采样收敛：坐标 Hit-and-Run 快速混合
本文研究高维分布的取样方法，提出了基于 Gibbs Sampler 方法的 Coordinate Hit-and-Run 算法，在凸边界的范围内取样效率高且保证收敛。
- 非参数贝叶斯 Lomax 代理竞速模型在具有竞争风险的生存分析中的应用
该研究提出了 Lomax 代表竞争竞赛（LDR）模型，可通过竞赛一定数量的子风险来解释非单调协变效应，并放宽常见的比例危险函数假设。研究人员通过数据扩充开发了一个 Gibbs 采样器进行推断，并提出了一种随机梯度下降最大后验推断算法。在合成 - ICML具有相似性偏置转移的无限隐马尔可夫模型
本文介绍了一个对层级狄利克雷过程隐藏马尔可夫模型 (HDP-HMM) 的拓展，它可以编码关于状态转换更可能发生在 “相邻” 的状态之间的先验信息，并通过在状态空间上定义相似度函数和通过成对相似度缩放转移概率，从而在转移分布之间引入相关性。该 - 基于贝叶斯的非完全分类算法 —— 在线姓名消歧案例研究
本文提出了一种基于贝叶斯非排它性分类框架的在线姓名消歧方法，使用 Dirichlet 过程先验和正常 * 正常 * Inverse Wishart 数据模型来识别训练数据中没有记录的新不确定实体，使用一次扫描 Gibbs 采样器进行在线分类 - 非参数贝叶斯负二项式因子分析
通过构造负二项分析（NBFA）来解决泊松分布捕捉协变量出现在样本中自我重复及与其他协变量之间激发关系的局限性，并利用分层伽马负二项过程支持数不尽的因素。设计了两种基于多项式分布的混合成员模型，实现快速收敛和低计算复杂度的阻塞吉布斯采样器，提 - NIPS混合会员建模的贝塔 - 负二项式过程和可交换随机划分
介绍了一种新的非参数贝叶斯主题模型，它使用完全折叠的 Gibbs 采样器来运用 beta - 负二项式过程，并且采用可交换分区概率函数来描述如何将数据点聚类成不确定数量的组，具有简单实现、快速收敛、良好混合以及最先进的预测性能。
- 网络人群的非参数贝叶斯建模
探讨了一种基于贝叶斯非参数方法的连接组学模型，通过混合模型降低维度并在每个混合组件中高效地整合网络信息，提高了对网络值随机变量概率质量函数的推断灵活性。
- 具有缩小和扩散先验的贝叶斯变量选择
提出一种基于贝叶斯方法、将先验分布放置在回归系数以及模型空间上、使用针对高维协变量的针尖和板块高斯先验、通过 Gibbs 抽样执行的变量选择方法，具有可靠的选择一致性和优于其他方法的良好性能。
- ICLR聚合吉布斯采样
介绍了一种确定性算法 herded Gibbs，特别适用于独立变量模型和完全连接概率图模型。实验证明 herded Gibbs 在图像去噪任务和命名实体识别任务中优于 Gibbs。
- 打转走和相关算法的可行性
本文证明了与 hit-and-run 算法、随机扫描 Gibbs 采样器、切片采样器和具有正提案 Metropolis 算法对应的马尔可夫算子是正的，这些情况下的正性独立于状态空间和静止分布。
- 马尔可夫跳过程及其扩展的快速 MCMC 采样
本文介绍了一种利用 Gibbs sampler 并基于均一化思想从马尔可夫跳过程的后验分布模拟路径的方法，并表明该方法在 MJP 模型上表现良好。
- 非参数混合模型用于时间序列主题建模
本文提出了一种非参数的 Topics over Time (npTOT) 模型，该模型具有无限数量的主题和对主题流行度的时间变化的灵活分布，并使用 collapsed Gibbs sampler 比较了该模型的优越性。
- 一种非参数贝叶斯方法用于推断隐藏的因素
使用无参数贝叶斯方法和 Gibbs 抽样器发现隐含因素和结构，并在真实医学数据集中进行应用。
- 马尔科夫跳跃过程和连续时间贝叶斯网络的快速 MCMC 采样
本文提出了基于 Gibbs 采样的快速辅助变量算法，利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径，并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。
- 距离相关中华餐厅过程
提出了基于距离依赖的中国餐馆过程（CRP）模型，可用于联合建模数据间的依赖关系，包括时间和空间。研究了其相关性并提出了适用于观测和混合状态的 Gibbs 采样器。较传统的 CRP 模型形式，基于距离依赖的 CRP 具有更好的序列数据拟合效果