本研究提出了一种基于贝叶斯推断的动态伙伴模型，用于对话系统中的自适应解释生成。该模型通过非平稳马尔可夫决策过程持续更新，以提高对不同受众的适应性，改善可解释的人工智能系统。实验结果表明该方法有效。

本研究探讨了人类在两臂伯努利赌博机任务中的积极性和确认偏差，指出这些偏差与贝叶斯推断无关。研究将贝叶斯推断视为有效的Q学习算法，并分析学习系统的随机动态，发现确认偏差与递减学习率表现出相似的行为特征，为区分真实认知偏差提供了实验框架。

本研究系统综述了贝叶斯推断与强化学习结合在智能体决策中的应用，分析了其数据效率、泛化能力、可解释性和安全性，推动智能体决策策略的发展。

本研究提出了一种综合框架，旨在解决大型语言模型在医疗应用中的不确定性量化问题，结合贝叶斯推断和深度集成方法，以增强用户信任。

本研究提出了一种新颖的贝叶斯成员推断攻击方法（BMIA），通过贝叶斯推断进行条件攻击，仅需一个参考模型，显著降低计算消耗，提高成员推断的准确性和效率。

本研究探讨了深度学习中频率估计与贝叶斯推断在参数估计中的取舍。比较线性模型和浅层神经网络后发现，平均点估计通常优于后验推断，但后者在某些低维问题中仍具竞争力。这为理解两种方法的有效性提供了重要见解。

本研究提出了一种结合注意力机制的层次强化学习与粒子滤波的方法，用于动态场中的源定位与表征。该方法有效解决了观测稀疏和噪声问题，通过贝叶斯推断和注意力增强的粒子滤波机制，实现了高效的信念更新，实验结果验证了其在准确性、适应性和计算效率方面的优势。

本研究针对自动驾驶中被遮挡行人的检测问题，构建了OccluRoads数据集，并提出了一种结合知识图谱和贝叶斯推断的新颖预测方法。该方法的F1评分达到0.91，比传统模型提高42%。

本研究提出了KALAM工具包，旨在自动化大规模设计模拟计算系统。KALAM通过因子图转换为SPICE兼容电路网表，支持贝叶斯推断等任务，展示了在大型系统设计中的应用潜力。

本研究通过将大型语言模型作为先验动作分布，并结合贝叶斯推断，提高了强化学习在多样化环境中的泛化能力和样本效率。实验表明，这种方法减少了样本数量，优化复杂度降低超过90%。

该研究提出了一种新方法，通过贝叶斯推断框架解决神经网络在连续学习中的灾难性遗忘与可塑性损失之间的权衡。利用拉普拉斯近似构建高斯后验度量，提升模型性能，无需重新访问数据。

本研究探讨了大语言模型中的上下文学习（ICL）现象，证明预训练促进了上下文学习。通过实验分析模型规模和例子顺序对学习的影响，并探讨ICL与贝叶斯推断的关系。同时，研究了决策边界的行为及其泛化能力，提出新的训练方法以提高模型的鲁棒性和泛化能力，为机器学习提供新视角。

本文提出了一种结合物理和机器学习的新框架，用于分析声学信号。该框架利用贝叶斯推断、神经物理模型和非线性最小二乘法，有效推断室内冲激响应，并介绍了多种去混响和声源分离的方法，展示了在不同声学条件下的优越性能。

本文提出多种基于扩散模型的算法，旨在解决噪声非线性逆问题，提升图像恢复的质量和计算效率。研究涵盖条件生成模型、集合数据同化方法及贝叶斯推断中的多模态分布处理，展示了其在实际应用中的潜力和有效性。

该论文研究高维高斯图形模型的估计问题，提出基于节点扰动和公共中心节点的假设，并利用凸优化和多重乘数算法进行解决。研究结合图卷积神经网络以应对基因表达数据不足的问题，并展示了基于贝叶斯方法和图变分贝叶斯推断在基因调控网络推断中的应用，强调网络结构对聚类结果的影响，为疾病诊断提供基础。

本文提出了一种基于贝叶斯推断的计算框架，用于量化组织异常剪切弹性成像中的不确定性。通过马尔可夫链蒙特卡洛技术构建先验概率并进行参数估计。同时，研究探讨了多保真度方法在数据驱动模型中的应用，以提升预测准确性和鲁棒性，解决高斯过程后验协方差场分析的不足。

本文探讨了通过内部记忆方法学习高维连续系统的策略，结合有监督学习和轨迹优化，解决物理控制问题。研究利用RNN和贝叶斯推断，提出了动态规划和主动推断的框架，强调在复杂环境中有效规划行动的重要性，并探索分层模型中的混合表示。

本文介绍了一种自适应实验解决方案，通过动态分配变体来满足延迟目标，并展示了其在电子商务平台上的应用。研究提出了基于贝叶斯推断的最优设计策略，强调了机器学习在自适应实验中的重要性，并发布了开源库AExGym以支持实验者。

本文介绍了一种结合贝叶斯推断与计算稳健策略的鲁棒学习方法，基于不确定性马尔可夫决策过程（uMDPs）。研究验证了该方法在大规模马尔可夫决策过程中的有效性，特别是在参数不确定性和高风险环境（如医疗和自动驾驶）下的应用。通过模拟和优化，该方法能够生成近似最优的决策策略。

本文探讨深度学习中的不确定性量化（UQ），提出使用稀疏深度ReLU结构进行贝叶斯推断，强调其在统计推断中的优势。研究比较了多种UQ方法在回归任务中的表现，发现没有一种方法绝对优越。同时，介绍了混合神经可微模型的进展及其在物理系统建模中的应用，提出DiffHybrid-UQ方法以有效量化不确定性。