该研究使用贝叶斯框架探索目标识别中行动、时间和可解性的作用，并发现行动最重要，但时间和可解性也影响目标识别。研究开发了一个更接近人类推断的目标识别模型，为人类目标识别提供了新的视角。

该研究使用深度学习和统计假设检验的方法，结合贝叶斯框架，开发了一种检测自动驾驶汽车道路障碍物的系统。该系统在失物招领数据集上取得了50%的性能提升和超过90%的检测率，操作频率达到22 Hz。

机器学习任务对数据质量敏感，但企业难以获得足够数据集。研究提出基于贝叶斯框架的回归市场机制，为数据共享提供经济激励，解决监督学习回归任务中的挑战。概率设置可减小市场参与者的财务风险。

该文提出了一种基于贝叶斯框架的回归市场机制，解决监督学习回归任务中数据集不足、数据分布不均等挑战。作者对市场性质进行了研究，并提出了概率设置以减小市场参与者的财务风险。

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。

该文介绍了一种利用外观、语境和几何线索来检测自动驾驶汽车道路中障碍物的方法。该方法基于深度学习的完全卷积网络和基于模型的统计假设检验的最新检测方法，并结合了一个系统的贝叶斯框架。通过在失物招领数据集上评估，该系统相对性能提高了50%，在50米内的检测率超过90%，在自动驾驶平台上的操作频率达到了22Hz。

GEDI是一种结合了自监督学习和生成模型的贝叶斯框架，可以在不需要额外监督或预训练的情况下进行集成和联合训练。实验结果表明，GEDI在聚类性能方面优于其他自监督学习策略，并且可以利用逻辑约束形式的知识来改善小样本数据情况下的性能。