贝叶斯推断

该项目展示了Transformer模型如何通过上下文学习（ICL）执行全贝叶斯推断，特别是在合成数据上的训练中，模型能隐式学习后验分布，其采样质量可与传统方法如马尔可夫链蒙特卡洛（MCMC）和变分推断（VI）相媲美。这为深度学习在贝叶斯框架下的应用提供了创新方法。

该项目实现了流形马尔可夫链蒙特卡罗（MCMC）方法，用于在一大类扩散模型中进行贝叶斯推断。它旨在为复杂模型提供高效的采样技术，支持高维参数空间，并可与贝叶斯推断框架集成。