本文介绍了一种新型概率生成模型OrMachine，专注于布尔矩阵分解和马尔科夫链蒙特卡罗采样，显著提高了推断效率和可解释性。该模型在真实和模拟数据上表现优于现有方法，首次实现了完整的后验推断，适用于大规模数据集分析。同时，研究探讨了影响函数在神经网络中的应用，提出了高效的影响力近似计算方法DataInf，能够快速识别重要的微调示例。

本文提出了一种基于贝叶斯方法的核心子集构造算法，旨在加速大规模数据集的后验推断。该算法通过数据冗余预处理和Hilbert coresets构建，提供理论保证和高效推断。同时，研究提出了GIGA算法以优化后验不确定性估计，并在实际数据集上验证了其有效性。此外，稀疏哈密顿流方法提高了构建效率，显著降低了计算成本。

该文介绍了一种名为DMVI的新方法，用于在概率编程语言中进行近似推断。DMVI利用扩散模型作为真实后验分布的变分逼近，实现简单，不需要使用标准化流进行变分推断。在一组常见的贝叶斯模型中，DMVI的后验推断通常比现代方法更准确，计算成本相似且需要较少的手动调整。