提出了一种新的半参数估计互信息的方法，该方法使用高斯分布来局部逼近密度函数，与其他基准方法相比具有更好的性能，并能准确地测量许多数量级上的关系强度。

Aug, 2015

该论文中提出了一种新的估计信号的方法，可以在压缩感知、稀疏叠加编码或分割多路接入等应用中使用，该方法基于统计物理的启发式重复方法，使用 Guerra 类型插值和空间耦合分析，得出了相对精确的互信息估计和最小均方误差单字公式，可以应用于所有离散有界信号的随机高斯线性估计。

Jul, 2016

本文提供了通用的、数据无关的 Mutual Information 估计方法，其中包括新的下限估计器。通过实验测试我们的方法在高维问题中具有强大的表现，特别是在变量之间存在非线性关系时。

May, 2019

提出了一种新的相互信息非参数估计值，解决了其他方法基于局部分布均匀性计算相互信息的局限性，对于很少的数据也可以准确地估计两个相关变量之间的相互信息，并且在合成和真实世界数据上表现出卓越的性能。

Nov, 2014

本文提供了关于贝叶斯网中互信息的先验分布、后验分布以及互信息分布的计算方法，以及这些方法的可靠快速的近似。

Dec, 2001

本文介绍了基于 $k$- 最近邻距离的熵估计的改进互信息估计器类别，并说明了它们与现有算法的比较和实际应用中的有效性。

May, 2003

本文证明了任何互信息测量方法都有严重的统计限制，证明了从 N 个样本估计的任何分布自由、高置信度的互信息的下限均不能超过 O (ln N)。

Nov, 2018

通过基于 Girsanov 定理的新方法，我们提出了一种估计随机变量之间互信息（MI）的方法。我们的方法基于分数函数的扩散模型来估计两个密度之间的 Kullback Leibler 散度，并衍生出估计随机变量熵的方法。我们的结果表明，我们的方法在挑战性分布情况下比文献中的主要替代方法更准确，并通过自洽性测试，包括数据处理和独立性下的可加性。

Oct, 2023

论文提出并实现了一种新的基于神经网络的相互信息估计方法，该方法能够有效地减少方差并针对基准测试任务展现出更好的偏差 - 方差权衡性能。

Oct, 2019

本文构建了一个多样的分布族，展示了语言无关基准平台用于互信息估计器的实用性和局限性，并提出了适应问题困难度的适当估计器的选择指南及应用估计器时需要考虑的问题。

Jun, 2023