本文提出了一种新的非线性回归输入变量选择的方法，这种方法嵌入到一个可以模拟一般非线性函数的核回归机器中，而不是局限于加性模型。通过将输入映射到随机特征的相对低维空间中，绕过了核方法典型的低伸缩性属性。通过学习适当的非线性随机特征映射，该算法发现了与回归任务相关的变量，并学习了预测模型。我们在一组大规模合成和实际数据集上展示了我们的方法的出色性能。

Apr, 2018

使用正定核函数和稀疏奖励惩罚来实现高维特征空间中的多核学习，从而在非线性变量选择中取得卓越的预测性能。

Sep, 2008

本文提出了一种基于投影算子和相关性度量的变量选择方法，能够处理大规模的选择任务，并通过实验证明了其可行性。

Jul, 2023

提出了一种矩阵值多核学习框架，可用于高维非线性多元回归问题，并使用广泛的 Mixed Norm Regularizers 支持字典的向量值再现核希尔伯特空间上的疏松度约束；通过该框架，高维因果推断任务可被自然地看作稀疏函数估计问题进行，从而引出了一类新的图形 Granger 因果分析技术的非线性扩展。

Aug, 2014

本文简要介绍了高维统计推断中变量选择的理论、方法和实现的最近发展，强调单峰罚函数的统计性质及其在高维统计建模中的作用，同时还回顾了独立筛选和两种方法在超高维变量选择方面的最近进展。

Oct, 2009

本文介绍了一种基于 Least Absolute Shrinkage 和 Selection Operator（Lasso）的特征选择方法，通过使用核函数来捕捉非线性的输入输出关系，并采用基于核的独立度量来找到与输出值具有强统计依赖关系的非冗余特征。实验结果表明，该方法在具有数千个特征的场景下具有很好的效果。

Feb, 2012

研究非线性模型下的监督学习与变量选择问题，提出一种基于偏导数的非参数稀疏模型，利用再生核希尔伯特空间的概念和近端方法得出最小化问题及迭代求解算法，并通过理论和实验分析表明其具有优秀的性能表现。

Aug, 2012

本文提出了一个基于层次划分的新型核函数，可以减轻用于核方法的大规模非参数学习的计算复杂度并且在实验中提高了表现。

Aug, 2016

提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。

Sep, 2023

该论文提出了一种基于变分贝叶斯核选择算法的稀疏高斯过程回归模型，通过将核表示成一个随机变量，并利用其先验和后验信念来学习其不确定性，进而避免避免过度自信，通过随机梯度上升的方法来迭代地最大化变分下界以提高精度，该方法适用于大规模数据集。

Dec, 2019