- 基于前馈后验树的分层不确定性探索
通过使用树值预测，我们介绍了一种新的方法来可视化多个层次的后验分布，展示了在不同数据集和图像恢复挑战中的有效性，并揭示了其在不确定性量化和可视化方面的实力。
- 隐含 HMM 的神经有效样本似然自由贝叶斯推断
提出了一种新的、样本高效的无似然推断方法，用于估计隐式隐藏状态的高维度后验分布，通过利用马尔可夫性质，直接学习不可行的隐藏状态的后验分布，其在评估隐式 HMM 时，估计结果的质量与使用计算成本更高的 SMC 算法相当。
- 分治后验采样用于去噪扩散先验
利用去噪扩散模型（DDM）作为先验来解决逆贝叶斯问题的兴趣最近显著增加。本研究采用不同方法，利用 DDM 先验的特定结构定义了一组中间和简化的后验采样问题，相比以前的方法，降低了近似误差。我们通过使用合成示例和各种图像恢复任务来经验性地展示 - 高效、准确、轻量级的基于高斯局部线性映射的连续仿真推理
使用结构化概率分布的混合模型，提供了逼真的后验推断，相较于基于神经网络的仿真推断方法，在计算上具有更小的足迹，对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。
- 使用混合变分族集合提升不完整数据的变分自动编码器估计
研究了在数据不完整的情况下对变分自动编码器的估计任务，发现缺失数据增加了模型后验分布对潜变量的复杂性，从而影响了模型的拟合。通过引入两种策略（有限变分混合和基于插补的变分混合分布），解决了增加的后验复杂性问题。通过全面评估这些方法，结果表明 - 通过低维后验投影进行不确定性可视化
通过在低维子空间上使用能量模型（EBMs）对后验进行估计和可视化，我们介绍了一种用于在不透明的逆问题中获得可能解的全谱派生物的新方法，该方法在不确定性量化和可视化方面表现出更高的效率和准确性。
- 从后验抽样到图像恢复中的有意义多样性
通过研究生成有意义多样的图像修复方法，探索了多种后处理方法，结合扩散图像恢复方法生成有意义多样的输出，而仅带来可忽略的计算开销。
- 使用分数后验信息的汤普森抽样泛化遗憾分析
Thompson sampling (TS) is a popular algorithm for solving multi-armed bandit problems; this paper introduces a variant c - 高斯分数匹配伴随变分推理
本文提出了一种新的基于评分匹配原则的变分推断方法及其迭代算法，即 score matching VI，并给出了高斯变分情况下的具体解法，GSM-VI，该算法比 BBVI 更快且更准确，适用于广泛的模型和数据，并在实际贝叶斯推断问题中得到广泛 - 高斯过程网络的贝叶斯方法
本文研究高斯过程网络 (GPNs) 的贝叶斯结构学习问题，提出基于蒙特卡罗和马尔可夫链蒙特卡罗方法的网络结构后验分布抽样算法，并在模拟实验中证明该方法在恢复网络图形结构和提供准确后验分布方面优于现有算法。
- 非线性自编码器
该研究探讨了使用无香精变换来改进变分自编码器生成模型的表现，使用更具信息量和低方差的后验表示来确保更高质量的重建，并使用 Wasserstein 分布度量来替换 KL 散度以允许更快的后验分布，最后得到了一种竞争力强的确定性采样 VAE，可 - ICML用于加速多线圈磁共振成像的条件正态流模型
该研究利用一种新型条件归一化流设计，结合采集数据和测量算子的零空间，从后验分布中抽样得到更全面的信息，以达到更快速和精准的磁共振成像。
- 可证明且实用：通过 Langevin Monte Carlo 实现强化学习中的高效探索
本文提出了一种基于 Thompson 采样的可扩展和有效的强化学习策略，通过使用 Langevin Monte Carlo 从其后验分布中直接抽取 Q 函数，该方法只需进行嘈杂的梯度下降更新即可学习 Q 函数的精确后验分布，在深度 RL 中 - 摊销贝叶斯推断的对抗鲁棒性
研究了 Bayesian 推断中一种新的方法 —— 摊销贝叶斯推断的鲁棒性，提出了一种基于 Fisher 信息的正则化方案，实验结果表明该方案可以提高模型对干扰攻击的抵抗力。
- ACL面向文档级机器翻译的目标端增强
提出了目标端数据增强的数据稀疏性问题解决方法，通过生成多个潜在翻译来训练机器翻译模型，从而减少数据稀疏性的风险并提高翻译性能。
- 贝叶斯网络的倒置
本篇论文研究了识别网络模型的 “必要和充分” 属性，使其能够精确地模拟真实的后验分布，结果发现对于局部条件来说， 完美性质 (即对于每个节点，所有的父节点都相连) 发挥了重要作用。
- 带虚拟协助代理的汤普森抽样
文章提出了一种基于多臂赌博框架的在线顺序决策支持方法，利用 Thompson 抽样来平衡探索与利用的权衡，提出了两种算法用以解决多臂赌博问题，并在理论上给出了广义下界，通过实验证明了该方法在现实世界的数据集上表现的有效性。
- ICML利用波动性核和移动平均均值的高斯过程精准预测
提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法，使其可以根据历史数据产生真正的后验分布，同时还将基于大量已研究的领域的启发式设计用于多任务学习，实现了比基线模型更好的股票和风速预测。
- 生成流网络的贝叶斯结构学习
本研究提出了一种称为 DAG-GFlowNet 的方法，使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明，DAG-GFlowNet 能够提供准确的 DAG - ICML一种贝叶斯方法实现不变深度神经网络
本文提出了一种新颖的贝叶斯神经网络架构，可以通过推断不同权重共享方案的后验分布来仅从数据中学习不变性。当在包含特定不变性的数据集上进行训练时，我们的模型优于其他不变变体的结构。没有进行数据增强时同样成立。