本文介绍了一种名为ConDiSim的条件扩散模型，旨在解决复杂系统的基于仿真的推断问题，尤其是处理不可处理似然性的情况。该模型通过学习去噪过程，有效捕捉后验分布中的复杂依赖关系和多模态性。研究表明，ConDiSim在多个基准问题和真实世界测试中表现优异，适用于快速推断的参数推断工作流。

本研究提出了一种贝叶斯预测编码（BPC）方法，克服了传统预测编码在量化认知不确定性方面的局限性。BPC通过估计网络参数的后验分布，实现了快速收敛和有效的贝叶斯学习。

本研究提出了一种新颖的斯坦因变分牛顿神经网络集成方法，旨在提升深度神经网络在不确定性量化中的表现。该方法通过斯坦因变分牛顿更新和现代海森矩阵近似，实现了快速收敛和更准确的后验分布。实验结果显示，该方法在回归和分类任务中表现优越，显著减少训练周期，并增强了不确定性量化和抵御过拟合的能力。

本文介绍了一种新的变分推断算法Boosting Variational Inference（BVI），该算法能够有效处理多模态和非标准后验分布。研究还提出了确定性ADVI和基于分数匹配的SIVI-SM等改进方法，显著提升了推断的准确性和效率，尤其在高维问题中表现突出。

本研究提出了预处理的Crank-Nicolson算法，用于解决贝叶斯神经网络在宽度增长时采样效率低的问题。该方法在网络宽度增加时具有更高的接受概率，且能更有效地抽样后验分布。研究表明，该方法在有效样本量和诊断结果上具有显著优势，对实际应用具有重要影响。

我们提出了使用神经采样器来近似复杂多模态和相关后验分布的隐式分布的方法，并介绍了一种新的采样器架构，通过可微的数值逼近解决计算问题。我们的实证分析表明，我们的方法能够恢复大型贝叶斯神经网络中层间的相关性，通过下游任务的实验，我们证明了我们的表达性后验优于最先进的不确定性量化方法，验证了我们的训练算法的有效性和学习出的隐式逼近的质量。

本研究提出了一种融合异构数据集后验分布的方法，基于均值场假设和简单的分配和平均方法，并通过正则化分配问题的变体来解决。该算法易于描述和实现，效率高，并在运动捕捉分析，主题建模和贝叶斯神经网络联合学习方面具有竞争力。

该研究提出了一种统一算法，可高效学习广泛的线性和非线性状态空间模型，包括深度神经网络建模的发射和转移分布。该算法使用结构化变分逼近参数化的循环神经网络来模拟后验分布，并学习编译的推理网络和生成模型。在合成和真实数据集上展现了可扩展性和通用性，并发现使用结构化的后验近似会导致具有显著更高留存的可能性的模型。

该文介绍了一种用于推断贝叶斯网络结构的因果Zig-Zag采样器，可以高效地列出、计数、均匀采样和应用操作符的可能移动。该方法混合效果显著，可以应用于基于DAG先验和Markov等价似然的后验分布。

本文提出了一种通过神经网络预测后验分布的主成分，以提高在安全关键领域中图像恢复模型的部署速度。

该研究提出了一种统一算法，可高效学习广泛的线性和非线性状态空间模型，包括深度神经网络建模的发射和转移分布。使用结构化变分逼近参数化的循环神经网络来模拟后验分布，同时学习编译的推理网络和生成模型。

本文提出了一种基于贝叶斯方法的神经元钙成像数据中神经元尖峰信息提取方法，通过样本化钙成像数据的尖峰列和模型参数的后验分布，实现对尖峰的存在、数量和位置的采样，并提供了一些扩展来提供更可靠的分布和估计。该方法可以更准确地估计潜在的尖峰列和参数，并提供了传统点估计的补充，以确定估计中的不确定性。