- 利用加权虚拟观测进行高效增量信念更新
通过构建一组加权观测来调节模型，使得推断结果与原后验分布相等的解决方案，适用于蒙特卡洛推断中的增量信念更新问题。
- 重构具有随机支持的概率编程的变分推理
引入支持分解变分推断（SDVI）方法，对具有随机支持的概率编程进行变分推断，通过将程序分解为包含静态支持的子程序，并自动构建相应的子导引，从而改善了推断性能。
- 概率编程中超越路径上贝叶斯模型平均
通过路径加权，基于后验概率的概率编程中的预测能够得到更加鲁棒且优越的结果。
- 从词模型到世界模型：从自然语言翻译到思维的概率语言
本文提出了一种基于理性意义构建的计算框架来实现语言驱动的思维，将语言和概率性推理的概率语言模型结合以构建适应上下文的符号推理模型，同时开发了统一的通用推理接口以实现全面的常识推理。
- 具分解密度的字符串图
通过 Markov categories 定义无向图模型上的联合概率密度和样本结果的确定性映射的组合的范畴，这是将概率编程和因果推断中的因子化密度的操作定义与概率测度的范畴描述结合的一步。
- 层次概率模型的抽象 - 细化方法
本文介绍了一种通过层次化结构和抽象 - 细化循环来加速分析马尔科夫决策过程，针对重复部分具有局部影响的概率程序，将类似的子程序抽象成参数化模板，在需要时对其进行详细分析，从而缓解著名的状态空间爆炸问题。
- 贝叶斯合成概率编程自动数据建模
使用贝叶斯综合技术，通过概率领域专用数据建模语言自动生成概率计算程序进行数据分析、解释和预测，并应用于时间序列数据和多元表格数据的分析，结果表明该技术可以准确推断多个真实世界数据的定性结构，优于标准的数据分析方法。
- Wasserstein 变分推断
本文介绍了基于 Wasserstein 变分推断的一种新的近似贝叶斯推断方法，该方法使用了包括 f - 分布和 Wasserstein 距离在内的一种新的差异度量方式，通过 Sinkhorn 迭代，该技术可以获得非常稳定的无似然训练方法，并 - 概率程序的延迟抽样和自动 Rao-Blackwell 化
介绍了一种使用共轭先验和仿射变换降低蒙特卡罗估计方差的动态机制，该机制适用于解决概率程序中可分析子结构的问题，并加以应用于顺序蒙特卡罗推断和 Anglican 等编程语言。
- 概率终止的随机不变量
研究了带有实值变量的概率程序的终止问题，提出了一种新的概念 —— 随机不变量，以及相应的排斥超级鞅方法，用于计算概率终止的下界、推翻几乎必定终止的证明和建立概率程序的持久性属性。
- EMNLP面向具体情境的问答语义解析与概率编程
本篇论文提出了一种名为 P3 的基于概率编程的问答模型，可以使用背景知识和问题 / 环境的全局特征，同时保留高效的近似推理。该模型将语义解析作为概率程序进行处理，可以执行不确定的行为，其可能的执行路径代表了环境的不确定性。作者基于一个新的、 - 仿射概率程序定性和定量终止问题的算法分析
本文研究带有实值变量的概率程序的终止性问题，并利用排名超级鞅的概念解决了定性和定量问题，特别是在关于 LRAPP 的多个方面做出了贡献。
- SMT 中的近似计数和概率程序的值估计
本篇论文介绍了一种从 SMT 到 #SMT 近似版本的约简方法，并提出了关于整数算术和线性实数算术的模型计数算法，通过对现代 SMT 求解器的高级启发式算法进行利用，运行时间为多项式级别并提供正式边界。我们使用这些算法来解决带有非确定性的无 - MM基于变压器的贝叶斯机器学习模型语义计量
通过计算概率模型和观测变量的后验分布，Bayesian 机器学习方法越来越多地采用概率编程方式表达，本文提出采用一种核心函数演算对其进行基础支撑，其中包含采样先验分布和观测变量的原语，支持离散、连续和混合测度，最终通过小型命令式语言编译成因 - 概率编程中的自动变分推断
本研究提出了一种新算法，基于随机梯度的变分程序来进行概率编程中的近似推理，特别适用于高度结构化的分布。我们展示了如何自动推导平均场概率程序并优化它们，并证明我们的方法比其他算法提高了推理效率。
- 贝叶斯程序合并法诱导概率程序
利用概率性编程语言，通过合并一般性表达，找到复杂问题的规律，从而进行表示与处理。
- 概率程序分析的抽象蒙特卡罗方法
介绍一种新的方法，随机测试和抽象解释相结合，用于分析同时具有概率和非概率不确定性的程序，探讨了测试和抽象解释的组合以及精确性和迭代次数等问题，并给出了实验结果。