本研究提出了一种摊销贝叶斯后验估计方法，解决了新观察数据出现时需重新计算的问题。研究表明，逆KL估计器在预测中表现优越，尤其与变换器架构和归一化流结合时。

本研究提出了一种基于投票的偏好优化框架（VPO），通过贝叶斯最小均方误差估计器改进生成结果，显著增强了对齐多样主观偏好的能力，实验结果表明其性能优于现有方法。

本文研究高维机器学习中的广义线性模型，探讨贝叶斯最优估计、模型性能评估及过拟合问题。提出新正则化方法Fishr，以提升模型的鲁棒性和泛化能力。研究表明，领域泛化算法在标签噪声下表现良好，但在真实数据集上未必优于经验风险最小化算法。

本文提出了一种基于最佳臂多臂老虎机的连续监控框架，替代传统A/B测试，以控制虚假发现率(FDR)。通过分层贝叶斯估计和自适应多重检验方法，解决了多因素相关性和早期停止等问题，提升了信号检测能力。此外，研究探讨了在线控制FDR的广义Alpha-investing过程及其改进，提供了新的假阳性发现比例控制方法。

本文提出了一种自我解释的深度学习模型，适用于无监督概念学习，能够生成有意义的解释并提升性能。实验结果显示，该模型在多个数据集上优于现有方法。此外，研究还探讨了基于不确定性的贝叶斯估计和模型无关的概念解释方法，验证了其在模型选择和优化中的实用性。