2014年，K. Dragomiretskiy and D. Zosso, Variational Mode Decomposition等人提出 Variational Mode Decomposition,(VMD).

该综述文章为贝叶斯因子分析模型的综述，较好的整理了因子分析模型的概念以及基本理论分析，是对因子分析方法入门学习的较好参看文章

[英语] 这个例子展示了如何在 MATLAB 中创建一个条件变分自动编码器 (VAE) 来生成数字图像。VAE 生成具有 MNIST 数据集样式的手绘数字。与变分自动编码器 (VAE) 不同的是，条件 VAE 可以输入要生成的类标签，可以合成更清晰的图像。条件GAN（生成对抗网络）也是合成图像的变量。来自VAE的合成图像往往会模糊，因为此类图像的损失值变低。使用GANs ，问题可能会得到解决。 https://jp.mathworks.com/matlabcentral/fileexchange/74921-conditional-gan-generative-adversarial-network-with-mnist [日本人]这个演示实现了一个条件变分自动编码器。与普通变分自编码器的不同之处在于，您可以指定要生成的图像的标签。这将允许您生成更清晰的图像。 由于VAE的机制，当生成的

提供了Ron Kimmel的A Variational Framework for Retinex.pdf论文，及基于opencv的c++实现

当不需要分解整个信号时，VME 是一种稳健的方法。 实际上，如果目标是从信号中获得特定模式，那么 VME 是最佳选择（仅通过了解感兴趣的特定模式的频带的近似值）。 事实上，VME 假设信号由两部分组成：F(t)=Ud(t)+Fr(t)； 其中 F(t) 是指输入信号，Ud(t) 是期望模式，而 Fr(t) 表示残差信号。

VBMC 是一种近似贝叶斯推理方法，旨在拟合和评估具有潜在噪声似然评估预算有限的计算模型（例如，对于计算成本高的模型）[1,2]。 具体来说，VBMC 同时计算： - 模型参数的近似贝叶斯后验分布； - 对数模型证据（也称为对数边际似然或对数贝叶斯因子）的近似值——从技术上讲，是近似下界，这是一种用于贝叶斯模型选择的指标。 对人工测试问题和来自计算和认知神经科学的大量真实模型拟合问题的广泛基准表明，VBMC 通常——通常是非常——优于样本高效贝叶斯推理的替代方法。 VBMC 运行时几乎无需调整，而且很容易针对您的问题进行设置。 *** 如需更多信息、教程和文档，请访问该项目的 GitHub 页面： https : //github.com/lacerbi/vbmc *** 如果您对参数的点估计感兴趣，您可能需要查看贝叶斯自适应直接搜索 (BADS)，这是一种可与 VBMC 协同

In this book we aim to present, in a unified framework, a broad spectrum of mathematical theory that has grown in connection with the study of problems of optimization, equilibrium, control, and stability of linear and nonlinear systems. The title Variational Analysis reflects this breadth.

具有TensorFlow的贝叶斯神经网络 如我的论文所述，该存储库考虑了贝叶斯人工神经网络的实现。 实施的中心是模块 ，其中我们的许多技术工作都受到启发。 该存储库的主要结构如下：

这个是 Jordan 老爷子和他的得意门徒 Martin J Wainwright 在 Foundation of Machine Learning Research 上的创刊号，可以免费下载，比较难懂，但是一旦读通了，graphical model 的相关内容就可以踏平了。

em算法matlab代码带变分贝叶斯层次EM的隐马尔可夫模型聚类 隐马尔可夫模型（HMM）是一种广泛使用的用于表示时间序列数据的生成模型，而聚类HMM吸引了机器学习研究人员的浓厚兴趣。 但是，仍然难以确定集群中心的集群数（K）和隐藏状态数（S）。 在本文中，我们提出了一种新颖的基于HMM的聚类算法，即变分贝叶斯分层EM算法，该算法通过其密度和先验性对HMM进行聚类，并同时学习紧凑地表示每个聚类结构的新型HMM聚类中心的后验。 数字K和S以两种方式自动确定。 首先，我们在该对（K，S）上放置一个先验值，然后近似其后验概率，从中选择具有最大后验概率的值。 其次，当没有数据样本分配给它们时，一些簇和状态被隐式删除，从而导致模型复杂度的自动选择。 代码实施 该工具箱包含VBHEM-H3M的主要功能，并且基于Matlab。 其中包括 setup.m：设置工具箱的路径。 src： vbhem：VBHEM算法。 hmm：用于学习HMM的VBEM。 compare_mtds：本文使用的比较方法，CCFD，VHEM，DIC和PPK。 plots：用于绘制结果。 util：其他代码。 演示：使用VBHEM