在高维情形下考虑了检验两个多元正态分布均值差异的统计假设检验问题，其中引入了投影方法和 Hotelling T^2 统计量，并针对高维条件下的渐近推理，概述了测试的渐近功效函数以及通往提高其他最先进测试功效的充分条件，最后通过基于 ROC 曲线的实验，验证了该检验方法在高维数据中区分肿瘤数据种类时的优良性能。

Aug, 2011

探讨了决策理论问题中的非参数双样本检验与独立性检验，并指出使用核函数和点对之间的距离作为解决方案在高维设置中受到误解，测试的功率实际上随着维度的增加按多项式下降，提出了公平的替代假设，并阐明了核带宽选择中的中位数启发式的理论洞察力。

Jun, 2014

提出了一种差分隐私保护的假设检验方法，扩展了经典的非隐私保护排列检验到隐私保护场景，从而实现有限样本有效性和差分隐私的同时保证。通过引入基于核的测试统计量，提出了两种不同差分隐私保护的核测试方法（dpMMD 和 dpHSIC），具有简单易施行、适用于多种数据类型、在不同隐私保护模式下达到极小 - 最优动力的特点。经实证评估，在各种合成和实际场景下展现出竞争力，突显其实际价值。公开提供的代码有助于我们该方法的实现。

Oct, 2023

本文评述了一些最近为高维多项分布提出的假设检验方法，并且指出了通过采取 minimax 的视角可以自然地得到强有力且实用的检验。

Dec, 2017

在多维配对样本测试中，我们提出了一种得分函数的生成方法，通过连接每对样本的垂直平分线的决策规则进行定义。然后，我们通过广义化的 Hodges-Lehmann 估计器来估计这些规则的伪中值，从而得到最优得分函数。我们提出了一个两步测试过程的框架，通过此框架可获得在测试准确性和特征贡献估计方面相较于传统多元和多重测试具有显著性能提升的方法。

Sep, 2023

提出一种在超球面上嵌入全排列的方法，从而可以定义连续方向概率分布以及派生排列的密度，运用该方法实现了一个排列状态空间模型的推理过程并进行了相关应用。

Jul, 2010

通过引入高维度的 Propose-Test-Release（HPTR）框架，概括表征具有差分隐私保证的统计估计问题的统计效率，以及基于差分隐私保证的健壮统计和对数学分析的需求。

Nov, 2021

本文提出了一种基于 Differential Privacy 的 UMP 检验方法，利用经验分布建立二项数据的 Neyman-Pearson 检验，使用 Truncated-Uniform-Laplace (Tulap) 方法获得确切的 p 值，实验表明这种方法不仅有准确的 I 类错误，且比目前的技术更加强大。

May, 2018

本研究提出了一种方法，可以在高维线性模型中构建一般假设的 p 值。该方法可用于测试单个回归参数或涉及多个甚至所有参数的假设，同时考虑到 p 值之间的依赖关系，进行多重比较校正。该技术基于 Ridge 估计和在高维度中的投影偏差上增加的修正项，我们证明了我们的 p 值具有强大的误差控制，并提供了充分的检测条件，同时在模拟实例和真实数据应用中演示了该方法。

Feb, 2012

探究在高维情况下对分类器的精度验证，证明一种基于排列组合的测试方法具有连续性及德克斯特拉极限分布的高斯近似测试也具有连续性，并以高斯分布为例进一步研究了线性判别分析和 Hotelling's 测试等方法的功率。

Feb, 2016