本文提出了一种名为潜在高斯 Copula 模型的半参数模型，用于建模二元和混合数据的多元统计学习。

Apr, 2014

利用 copula 构建和优化层次贝叶斯模型中的变分提议的统一框架，提出了一种半参数自动化变分 Gauss Copula 方法，通过参数化 Gauss Copula 家族，能保留多元后验相关性，通过基于 Bernstein 多项式的非参数变换提供了足够的灵活性来描述单变量边际后验。

Jun, 2015

本文提出了一种适用于混合数据的图模型，该模型对高维数据来说简单而灵活，采用回归算法和群体套索惩罚法来拟合模型，并将其应用于 CAL500 音乐注释数据集，成功得到了将音频信号的连续特征与流派、情感和用途等分类变量之间关系的稀疏而可解释的图模型。

Apr, 2013

用 Clusterpath 估计器（CGGM）引入图模型中的变量聚类来解决变量增多的解释性和估计不确定性挑战，通过使用循环块坐标下降算法实现了 CGGM 估计器的高效计算，模拟实验和实际应用中 CGGM 在图模型中的变量聚类中超越了其他先进方法。

Jun, 2024

基于循环单调构函数的半参数多属性图模型可以灵活地处理具有任意连续分布的节点向量，通过使用最优传输理论将其转化为高斯分布，从而实现对现代数据形式（如图像和多视角数据）中向量之间的条件独立性结构的探索，同时通过引入投影循环单调构函数模型来解决高维度属性导致的问题。

Apr, 2024

该论文研究了针对集体统计数据的 Collective Graphical Model（CGM）的高斯近似方法，证明了当样本量增大时，其分布趋近于一个多维高斯分布（GCGM），并探讨了基于不同噪声模型的推断方法。研究结果表明，GCGM 推断方法在准确性和速度上优于 MCMC 和 MAP 方法。

May, 2014

本文提出了一种名为 “非参数鸟瞰者” 的半参数方法，用于高效且鲁棒地估计高维无向图模型；该方法采用了 高斯 Copula 图模型 以及 Spearman's rho 和 Kendall's tau 这些非参数秩相关系数估计器，以实现建模的灵活性和估计的鲁棒性。

Feb, 2012

本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

Oct, 2012

我们提出了一种基于高斯联合分布的特征选择方法，该方法可以在神经网络中进行实例级的特征选择，并捕捉变量之间的相关性。实验结果表明，我们的方法能够准确地捕捉到有意义的相关性。

Aug, 2023

将非线性合适降维技术应用于条件独立性评估，引入了一种足够的图模型，该模型在本质上是非参数的，避免了高维核函数引起的维度灾难；通过模拟比较和对 DREAM 4 挑战数据集的分析，证明了该方法在高维设置下，且当高斯或 copula 高斯假设不成立时，其性能优于现有方法。

Jul, 2023