- 具有分解高斯近似的变分推断的差异排序
用变分推断方法（VI）在高斯分布的近似中分析不同的散度选择如何影响估计不确定性的测量时，发现了它们的排序方式，并得出了不同散度会导致正确估计哪种测量的结论。
- 带有顺序样本平均逼近的变分推断
我们提出了基于顺序样本平均逼近（VISA）的变分推断方法，用于处理基于数值模拟的计算密集型模型。VISA 通过使用一系列样本平均逼近，在一个信任区域内计算合理，从而能够在多个梯度步骤中重复使用模型评估，从而降低计算成本。我们在高维高斯分布、 - 观点动态模型参数的变分推断
这篇论文使用变分推断方法估计代理模型的参数，通过将估计问题转化为可直接求解的优化任务。该方法可用于进行数据驱动分析，以更准确地估计和验证代理模型，并提供有关社会系统中人类行为的洞察。
- 轻量级贝叶斯神经网络具有异方差不确定性的变分推断框架
本研究提出一种对轻量级贝叶斯神经网络（BNN）进行抽样无关变分推断的简单框架，通过将异方差预测不确定性和经验差异嵌入到学习得到的 BNN 参数的方差中，提高了预测性能。
- 具备领域知识先验的贝叶斯神经网络
通过变分推理，提出了一种将通用形式的领域知识（通过损失函数表示）整合到贝叶斯神经网络先验中的框架，使得后验推断和抽样具有高效性，以提升预测性能。
- BlackJAX: JAX 中的可组合贝叶斯推理
BlackJAX 是一个库，用于实现在贝叶斯计算中常用的采样和变分推断算法。它采用了功能性的方法来实现算法，以便于使用、速度快以及具备模块化。
- 基于一种狄利克雷分布混合的改进证据深度学习
该论文通过混合狄利克雷分布的变分推断来建模一致的目标分布，并通过学习得到的元分布模型提取目标模型中的学到的不确定性。实验证明我们提出的方法在各种基于不确定性的后续任务中具有优越性，并展示了学到的认知不确定性的一致性和不一致性带来的实际影响。
- 变分流模型：奔流于您的风格
我们提出了 “变分流模型” 作为 “后验流” 的广义概率流模型的变分推断解释，并提出了一种无需训练的方法来将 “线性” 随机过程的后验流转化为直速常数速度（SC）流，便于沿着原始后验流进行快速采样。我们的方法的灵活性允许我们在不同的 “线性 - 通过状态增强与随机排列进行变分 DAG 估计
从概率推断的角度来看，文章提出了一个解决贝叶斯网络的结构估计问题的方法，通过在一个扩展的有向无环图和排列空间上的联合分布进行后验估计，利用离散分布的连续松弛来利用变分推断，从而在一系列合成和实际数据集上胜过竞争性的贝叶斯和非贝叶斯基准模型。
- 一种可微的 POGLM 及其正反向消息传递算法
部分可观察的广义线性模型（POGLM）是一个强大的工具，用于理解存在隐藏神经元的神经连接性。本文提出了一种新的可微分 POGLM，使得路径梯度估计器比现有方法中使用的得分函数梯度估计器更好。同时，我们还提出了一种基于前向 - 后向消息传递采 - 深度贝叶斯模型的改进变分推理
深度学习和贝叶斯深度学习使用变分推断和边缘似然来进行后验推理和模型选择。
- VI-PANN: 利用迁移学习和考虑不确定性的变分推断来提高音频模式识别的泛化能力
通过可变推理预训练音频神经网络（VI-PANNs），在将知识从上游任务转移到下游声学分类任务的同时，首次展示了将校准的不确定性信息传递和知识结合起来以提高模型性能的可能性。
- 多模式超图网络的文本视频检索
我们提出了一种基于分块匹配的文本 - 视频检索方法，通过构建多模态超图和引入变分推断，实现在高阶语义空间中对文本和视频的复杂多元交互进行建模，进而提高检索性能。
- 多模态医学图像分割的互补信息共学习
这篇论文介绍了一种互补信息相互学习（CIML）框架，通过数学建模和处理跨模态冗余信息的负面影响，它将多模态分割任务分解成多个子任务，并通过信息传递来从其他模态中提取信息，以有效地去除冗余信息，提高验证准确性和分割效果。
- 自适应信息传递：缓解过度平滑、过度压缩和未能到达的通用框架
通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力，本研究提出了一种能够更好捕捉长程相互作用的简单策略，并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平，稳定提高了基线方法在这些任务上的性能。
- WISE: 基于井下扩展的全波形变分推断
引入一种概率技术，采用变分推理和条件归一化流方法来量化迁移速度模型的不确定性及其对成像的影响。通过将生成人工智能与物理启发式共享图像聚合相结合，减少对准确初始速度模型的依赖。考虑的案例研究证明了其在生成与数据条件相关的迁移速度模型时的有效性 - 集合卡尔曼滤波辅助变分推断在高斯过程态空间模型中的应用
通过集成卡尔曼滤波器（EnKF）近似推断隐藏状态的后验分布，我们提出了一种改进的变分推断方法，有效地训练高斯过程状态空间模型（GPSSM），并在学习和推断性能方面优于现有方法。
- 稀疏变分学生 - t 过程
利用稀疏表示和变分推断的学生 - t 进程来建模含有离群值或具有重尾行为的数据，提供了一种比高斯过程更灵活的选择，减少了计算复杂性，并在多个合成和真实数据集上展示了其有效性。
- 传感器网络中的分布式贝叶斯估计：边缘概率密度的共识
设计和分析用于传感器网络的分布式贝叶斯估计算法，涉及协同定位、联邦学习和使用变分推断处理非线性似然模型的映射问题。
- 基于潜在伯努利变量的自适应无参数鲁棒学习
我们提出了一种高效的无参数方法，用于从受损训练集中进行统计学习。我们使用潜在的伯努利变量来确定受损和非受损样本，从而将鲁棒学习问题形式化为最大化似然函数，在其中对潜在变量进行边缘化处理。我们使用基于期望最大化的高效变分推断方法来解决由此产生