本研究提出了一种新颖的深度信念马尔可夫模型（DBMM），用于解决部分可观马尔可夫决策过程中的推理问题。DBMM通过变分推断高效推断信念变量，适用于高维和非线性关系，具有广泛的应用潜力。

本研究提出了一种新的在线递归IWAE方法（OSIWAE），旨在解决标准变分推断在流数据中的局限性，支持模型参数和马尔可夫识别模型的在线学习。

本研究提出了一种高效的近似方案，解决非高斯似然性在学习和推断中的计算挑战。通过变分推断和矩匹配，将非高斯效应近似为高斯密度，实验证明在二分类和多分类任务中表现优异。

蒙特卡洛方法和变分推断在概率分布取样中很重要，但缺乏统一评估框架。研究引入基准，通过标准化任务和多种性能标准评估取样方法，并研究模式坍塌，提出新方法。结果揭示现有方法的优缺点，为未来发展提供参考。

本研究通过引入错误校正码（ECC）改进了离散潜在变量模型的变分推断，提升了估计准确性并缩小了变分间隙。实验表明，该方法在生成质量、数据重建和不确定性校准方面优于未编码的变分自编码器（DVAE），在多个数据集上表现优异。

本研究提出了可扩展的LMM-VAE模型，解决高维纵向数据建模中的挑战。该模型结合了线性混合模型和变分推断，能够处理非线性效应和时间变化协变量的问题。实验结果表明，该方法在模拟和真实数据集上的表现优于现有技术，具有重要的应用潜力。

该研究使用基于粒子方法和变分推断的VSMC方法实现了面向数据流的在线学习，能够高效地进行参数估计和粒子提议适应。同时，提供了该算法在数据量趋于无穷大时的收敛性质的理论结果，以及在批处理设置中的出色收敛性和实用性的数值说明。

本研究通过将镜像下降的变分推断与高斯过程的少样本分类集成，解决了非共轭推断的挑战。实验结果显示了具有竞争力的分类准确性、改进的不确定性量化和更快的收敛速度。代码可在指定的URL中公开获取。

本文介绍了一种适用于复杂和各种场景的安全通用端到端自动驾驶系统（SGADS），该系统结合了变分推断与归一化流，能够准确预测未来的驾驶轨迹，并提出了鲁棒安全约束的制定方法。实验结果表明，SGADS 能够显著提高安全性能，在复杂城市场景中展现出强大的泛化能力，并提高智能车辆的训练效率。

本文介绍了逆自回归流的新型正则化流架构，它是基于自回归神经网络的可逆转换链。实验证明，逆自回归流在高维空间中改善了对角高斯近似后验的变分推断，并且结合逆自回归流的变分自编码器在对数似然度方面与神经自回归模型相当，且合成速度更快。

本文介绍了一种新的变分推断方法VDN，将噪声估计和图像去噪综合到一个贝叶斯框架中。使用深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量，提供具有显式参数形式的后验分布，可用于自动噪声估计的盲图像去噪。该方法在盲图像去噪方面具有优越性。

该文研究了利用深度神经网络来近似评分函数的效率，并通过变分推断去噪算法在图模型中得到较好的近似。同时，结合离散化误差界限为基于扩散的生成建模提供了有效的样本复杂度界限。

本文证明了变分推断在GARCH-like模型中是一种可靠且具有竞争力的贝叶斯学习方法，相比蒙特卡洛采样更为精确可行。

本文提出了一种无模型方法，通过在一维贝尔曼算子中建模不确定性，引入贝叶斯探索网络 (BEN)，通过正态化流来建模贝尔曼算子中的不确定性，并通过变分推断来建模知识性不确定性。实验结果表明，BEN 可以在无模型方法失败的任务中学习到真正的贝叶斯最优策略。

介绍了一种名为VBMC的高效样本推断框架，可用于难以处理的黑盒似然的后验分布和模型评估。该方法结合了变分推断和基于高斯过程的主动采样贝叶斯积分，并在测试中表现出很好的性能。

本文研究了一类概率生成模型，其中潜在对象是有限时间间隔上的有限维扩散过程，观察变量是在扩散的终端点条件下绘制的。通过随机控制的视角，为这种生成模型的采样和变分推断提供了统一的观点，并量化了基于扩散的生成模型的表现力。最后提出并分析了一个无偏模拟的方案，并提供了结果估计值的方差上限。这个方案可以实现为深度生成模型并具有随机层数。