一种基于路径的网络数据分析框架
本文研究了基于得分的贪心搜索算法用于学习无环路径图的结构，并且证明了一些 BAPs 分布等价（distributional equivalence）的必要和充分条件，这种算法可以推断因果效应的下界，同时通过真实数据和模拟数据的应用进行了验证。
Aug, 2015
本文介绍了一种基于路径的通用灵活表征学习框架用于链接预测，提出了神经贝尔曼 - 福特网络（NBFNet）来进一步提高路径公式的能力，在同构和多关系图上实现了超越现有方法的表现。
Jun, 2021
本研究提出了一种基于样本原型聚类的数据集向量化方法，即包含语义原型的数据集级词袋模型，可用于评估数据集的适用性和测试集的难度，并且在不考虑数据集标签的情况下，与 Jensen-Shannon divergence 相结合，有效地衡量数据集之间的相似性。
Mar, 2023
本文介绍了一种基于动态规划的贝叶斯网络求解算法，支持高维度数据、连续和分类数据、以及 <a href='Ovarian Cancer'> 卵巢癌 </a> 基因表达数据的准确建模，算法效率高且容易扩展。
Jul, 2022
我们提出了一个完全新的基于最优传输的框架，用于比较图形，该框架能够有效地解决不同任务，如图形对齐，图形分类和图形信号预测问题，通过显式解析 Wasserstein 距离的表达式，其中图拉普拉斯矩阵被用来描述类似于曲面的图形信号分布的概率分布，最终优化处理的难点是用基于贝叶斯探索的随机算法来破解图形对齐问题的非凸性。
Jun, 2019
本研究探讨高斯概率路径的空间，并找到在某些有用意义下的最优解，研究表明动能最优高斯路径具有单一数据分离函数，当样本数量与维数之比收敛于 0 时，条件最优输运路径也变成了动能最优路径。
Jun, 2023
通过使用自适应线性化的方法来处理复合函数的统计矩问题，引入了一种新的 Bayesian optimization (BO) 模式，可有效利用结构化知识，并在化学过程优化案例研究中取得了性能提升和复合函数统计特性的准确捕捉。
Nov, 2023