本文介绍了非参数高斯 Copula 方法及其在高维推断中的应用，通过将变量进行平滑函数转换，取代正态假设，在估计稀疏无向图中发挥了很好的作用。

Mar, 2009

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

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

通过假设简化的藤曲线模型来规避维数灾难问题，我们提出了一个通用的非参数估计器，并指出在高级别假设下，收敛速度与维度无关。我们还讨论了一种实现方法，并验证了高级别假设的渐近正常性。将这种简化假设用于分类问题，在有限样本性能方面证明了大幅增益 。即使当假设不是近似成立时，只要涉及多个变量，基于藤曲线的方法仍然是一种优越的选择。最后，我们将估计器应用于天体物理学中的分类问题。

Mar, 2015

本文提出了一种新的回归方法，根据样本大小相对于稀疏性条件，在稀疏条件下获得每个精度矩阵条目的渐近高效估计，以解决高斯图模型中有关样本大小问题的难点，同时实现了整个精度矩阵的自适应速率最优估计及在潜变量的图模型中进行推断。

Sep, 2013

本文提出使用基于 RNN 的时间序列模型与带有低秩协方差结构的高斯联合分布过程输出模型相结合，以减少计算复杂度和处理非高斯边际分布，并在多个真实数据集上证明其性能优于现有方法。

Oct, 2019

提出一种基于似然比的高维半参数广义线性模型的推理框架，包括使用规则化统计制备模型、构建后规则化的置信区间和测试、发展新的浓缩不等式和正态逼近结果，以及应用于缺失数据问题的示例。

Dec, 2014

我们提出了一个全面的贝叶斯方法，用于确定观察研究中的图形模型，可以同时容纳二元、序数或连续变量。我们的新模型称为 Copula 高斯图形模型（CGGMs），并将图形模型选择嵌入半参数高斯 Copula 中。我们的方法的适用范围非常广泛，涵盖了许多社会科学和经济学研究。我们在分析 16 维功能残疾列联表中展示了 Copula 高斯图形模型的使用。

Aug, 2011

huge 是一个 R 软件包，提供了一些易于使用的函数，可以从数据中估计高维无向图，并提供了比 glasso 更多的特性。

Jun, 2020