通过变宽直方图的方法精准估算概率分布，从而实现高效的概率分布混合学习算法。分析了几种常见的概率分布类型，包括对数凹形分布，单调危险率分布和单峰分布，并表明它们具有少量宽度直方图的结构特性。应用该算法可近乎最优地解决这些混合学习问题。

Oct, 2012

研究如何通过样本来鉴别未知分布是否属于某个分布类，提出了一种可获得最优样本和计算效率的通用方法，并为分布的基本属性提供了测试方法。

Jul, 2015

提出了一种基于混合学习算法的 PAC 学习方法，该算法可用于密度估计中的概率分布，其中包含了学习概率分布，学习混合分布等，其中混合分布包括轴向高斯混合分布，高斯混合分布和对数凹分布。

Jun, 2017

本文提出了一种高效的基于变宽直方图的密度估计算法，通过使用该算法对来自 $p$ 的独立同分布采样，可以输出一个分段常数概率密度函数作为假设分布，并且在样本规模和运行时间上达到最优，其中总变差距离满足一定的误差限制。

Nov, 2014

本文主要研究了离散分布的结构性质（类），提出了一个通用的算法，可以测试各种形状约束的属性，包括单调、对数凹、t - 模态、分段多项式和泊松二项式分布。此外，对于所有考虑的情况，算法在领域大小方面具有近乎最优的样本复杂度，并且计算效率高。

Jul, 2015

本研究通过样本的简化抽样学习了一个代表复杂模型的概率分布，该模型有广泛的应用范围，包括无监督学习，主题模型和协同过滤。

Apr, 2015

研究了从不可信批次中学习的问题，通过采用基于求和平方层次结构的算法框架，提出了在具有形状先验知识的情况下，在自然分布类中降低样本复杂度的解决方案。

Nov, 2019

提出了一种高度有效的算法，该算法能够学习近似于分段多项式密度函数的单变量概率分布，并应用于密度估计问题，涉及混合对数凹分布、混合 $t$ 峰态分布、混合单峰风险率分布、混合二项式泊松分布、混合高斯分布和混合 $k$ 单调密度等问题。

May, 2013

多分布学习中的自适应采样算法解决了最坏情况风险最小化问题，并提供了样本复杂度的最优解，同时证明了随机化的必要性。

Dec, 2023

这篇论文研究多分布学习，给出了一个样本复杂度为 $\widetilde {O}((d+k)\epsilon^{-2}) \cdot (k/\epsilon)^{o (1)}$ 的算法，解决了 COLT 2023 的开放问题。

Dec, 2023