从几何的角度研究高斯图模型中的最大似然估计，提出代数消元方法来求得 MLE 存在的下界，并将其应用于二分图、网格和彩色图。研究了 ML 度量，给出第一个例子，即使观测数等于树宽度时 MLE 也存在的图.

Dec, 2010

本研究证明在逻辑回归模型中，当样本量和自变量个数的比例变大时，MLE 的偏差和方差均远大于经典预测所得，常用的 LRT 也未能满足卡方分布，因此现有的软件包所得出的推论是不可靠的。

Mar, 2018

我们开发了一种简单的方法，用于估计隐式模型中的参数，无需了解似然函数或任何导出量的形式，但在某些条件下可以证明等价于最大化似然函数。此结果适用于参数有限且数据示例数量有限的非渐近参数设置，并展示了令人鼓舞的实验结果。

Sep, 2018

现代机器学习系统的一个关键挑战是实现越界通用化（OOD generalization）- 广义到与源数据分布不同的目标数据。本文证明了在针对协变量转移的规范设置下，令人惊讶的是，纯使用源数据（无需任何修改）的经典最大似然估计（MLE）达到了最小最大优化。我们的结果适用于非常丰富的参数模型，并不需要对密度比率施加任何有界条件。我们通过线性回归、逻辑回归和相位恢复的三个具体示例来说明我们框架的广泛适用性。此外，本文通过证明在误规设定下，MLE 不再是最优选择，而在某些情景下，最大加权似然估计（MWLE）成为最小最大优化。

Nov, 2023

本文通过建立高维逻辑回归模型中最大似然估计 MLE 存在性的分界曲线，证明 MLE 的存在性具有 “相变” 的特性，当问题具有足够高的维数时 MLE 几乎不可能存在，曲线参数由回归系数未知序列的整体大小确定。

Apr, 2018

使用加入 l1-norm 惩罚项的最大似然问题的解决办法来估计高斯或二元分布参数，以得到稀疏的无向图模型，并利用块坐标下降和 Nesterov's 一阶法等算法将复杂度限制在可接受范围内。

Jul, 2007

研究了在观测了 Bernoulli 试验结果的基础上，针对具有未知分布的参数，利用最大似然估计方法准确地估计总体分布，提出了一种在样本容量不大于总体个体个数的情况下，MLE 能达到统计最优和高效计算的方法。

Feb, 2019

本文介绍了一种基于非广义熵的新参数估计器 - 最大 L$q$ 似然估计器（ML$q$E）。通过渐近分析和计算机模拟研究 ML$q$E 的特性，表明对于小样本和中样本，当适当选择失真参数 $q$ 时，可以通过牺牲偏差以获得更大的精确度，从而显著降低均方误差。当样本量大且 $q$ 趋近于 1 时，还建立了确保 ML$q$E 渐近正态性和效率的必要条件。

Feb, 2010

通过本文，我们研究并证明了一种简化的通信高效分布式学习框架，它利用数据子集计算本地最大似然估计量，并结合本地估计值实现对全局 MLE 的最佳近似，并证明了该框架的统计性质与误差率性质。我们还研究了使用 KL 散度方法与更常见的线性组合方法组合本地 MLE 的经验性能，并表明 KL 方法在实际设置中比线性组合方法更为优越，可解决模型错误、非凸性和异构数据分区等问题。

Oct, 2014

本文通过代数统计学的方法分析高斯混合模型中的极大似然估计，发现 MLE 不是数据的代数函数，因此这些模型没有 ML 度的概念，似然函数的临界点是超越的，并且即使是两个单变量高斯混合模型，其临界点数量也没有界限。

Aug, 2015