- 预测全场材料响应中的不确定性的贝叶斯神经网络
基于机器学习的应力场预测和不确定性量化方法，以及对多样材料微观结构的系统比较和推断算法的不确定性估计。
- 基于概率模型的医院电子健康记录顺序推理
在动态医院环境中，决策支持是提高患者结果的有价值工具，本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列，包括诊断、实验室检查、神经评估和药物，通过推断算法可以预测序列的长度和特定值的出现。
- 分布式贝叶斯学习中的异步本地计算
机器学习中分布式部署的推理算法，利用异步通信提高计算速度并降低通信开销，通过马尔可夫链蒙特卡洛采样实现局部计算，理论上量化收敛速度，通过模拟和真实数据集的实验验证算法的有效性。
- SynJax: JAX 的结构化概率分布
SynJax 提供了对结构化分布推理算法的高效向量化实现，包括对齐、标记、分段、句法树和生成树，通过使用 SynJax，我们能构建大规模可微分的模型，能明确地对数据中的结构进行建模。
- 可处理电路模型的组合概率和因果推断
介绍了一种新的结构形式 md-vtrees 来描述可分解概率电路中的决策概率，并展示了如何将其用于派生多项式时间算法，特别是在因果推理查询中。同时，提出了基于该结构的 MDNets 概率电路架构，并在因果推理中进行了实验验证。
- 基于归一化流的 GISAXS 数据的摊销贝叶斯推断
本文提出了一种基于模拟的框架，结合变分自动编码器和规范化流技术，用于减少计算量并得出准确结果的 GISAXS 数据反演，应用于实验数据中可行且节省时间。
- 依赖树的无偏高效采样
本文针对依存句法计算模型存在的偏差进行了探究，发现现有的基于生成树的推理算法在面向依存树的推理过程中表现不佳，作者提出两种不带替换和带替换样本采样的算法来解决此问题，并提出了两种算法来减小样本数量 k 的算法运行时的时间复杂度至 O（kn3 - ICML使用本地增强边界进行层次模型的变分推断
本文提出了一种基于收紧方法的层次模型变分下界的变分方法，该方法可以自然地使用子采样以获得无偏梯度，并在较低维度空间中独立地应用紧缩较低下界的方法，以获得比相关基线更好的结果和更准确的后验近似。
- ICML非参数 Hamilton Monte Carlo
本文介绍了非参数 Hamiltonian Monte Carlo 算法（NP-HMC），将 HMC 推广到非参数模型，通过一类称为 “树可表示” 的可测函数作为通用概率编程语言 (PPL) 密度函数的表示，在多个非参数示例中得到了显著的性能 - CREPO: 一个开放式知识库用于评估置信网路算法
本文提出 CREPO，一个开放的数据仓库，其中包含一组合成的 Credal networks 以及用于这些模型的精确推断任务的结果，还提供了一个 Python 工具用于加载这些数据和与 CREMA 交互，从而非常容易地评估和比较现有和新的推 - 基于仿真的推断基准测试
通过建立合适的性能度量标准的基准，我们评估了一些最新的利用神经网络和经典近似贝叶斯计算方法的方法，发现性能度量的选择关键，即使是最先进的算法也有很大的改进空间，顺序估计提高了样本效率，神经网络方法通常表现更好，但没有均匀的最佳算法。
- AAAI对马尔可夫逻辑网络在音乐信号分析中的适用性的关键分析
本文分析了一些将 MLNs 用于音乐分析的提案，比较了它们与用（动态）贝叶斯网络表述音乐依赖关系的实际劣势，并认为 MLNs 不太适合于所提出的音乐应用，尤其是在涉及连续观测序列数据时。最后还表明了这些提案背后的思想可以在（动态）贝叶斯网络 - ICML狄利克雷单纯形嵌套与几何推断
提出了一种名为 Dirichlet Simplex Nest 的概率模型及快速而准确的推断算法，利用其凸几何和低维单纯结构，并利用它与 Voronoi 分割和 Dirichlet 分布的联系，分析文本和金融数据方面的应用。
- Autoconj：无需特定领域语言识别和利用共轭性
本文介绍了一种名为 Autoconj 的系统，它能够自动推导条件和边际分布，通过操作计算对数 - 联合分布函数的 Python 函数来支持利用共轭的算法，并支持任何 Python 嵌入式 PPL，为加速开发新型推断算法和利用结构的建模策略铺 - 概率编程简介
本书介绍了概率编程的基础和技术，主要包括概率编程语言的设计和构建、基础推理算法和高阶概率编程语言、概率编程与可微分编程的交叉应用，尤其是深度概率编程系统的设计与语言特性对其的影响。
- 多样性增强贝叶斯潜变量模型学习
本文提出两种不同的方法，一种是引入互角度先验，另一种是直接对后验分布进行多样性约束，以 “多样化” 潜变量模型，包括贝叶斯非参数模型。实验结果证明方法的有效性和高效性。
- 高阶贝叶斯推断的指称验证
我们提出一个模块化的语义计算方法，用于概率编程语言中的贝叶斯推断算法，并使用高阶函数和归纳类型等方式操纵概率程序的中间表示，定义了语义结构类及其转换的词义准则，并使用 Kock's 综合测度理论证明了一个准 Borel 同源定理。
- KDD从摘要数据中进行反向强化学习
该论文介绍了一种新的逆向强化学习方法，该方法不需要对数据进行特定的简化假设，可以在不确定简化函数的情况下进行推理和评估参数不确定性。
- NIPS关键词检测和语音活动检测的端到端架构
提出一种用于语音活动检测和关键字识别的单一神经网络结构，并使用端到端递归神经网络进行训练和使用 Connectionist Temporal Classification 损失函数进行推理算法，从而实现高精度的双重任务模型无需重新训练，并有 - 从频谱模板推断网络拓扑
本文提出了一种利用凸优化和图信号静态特性来从难以观测的图信号中恢复网络结构的图移位算法，数值实验验证了该方法在社交、大脑和氨基酸网络中的有效性。