提出了一种新的统计量 —— 最大信息系数 (MIC)，用于量化随机数量对之间的任意依赖关系，但证明了 MIC 不满足平等性定义。因此，我们提出了自洽且更普遍的平等性定义，并表明互信息满足这一新的定义，而 MIC 则不满足。最后，证明了 Reshef 等人提供的模拟证据是人为的。因此，我们得出结论，估计互信息不仅在许多实际应用中是可行的，而且还提供了一个自然的解决方案来量化大数据集中的相关性问题。

Jan, 2013

本文介绍和特征化了一种依赖性的人口测量 MIC*，并基于此理论引入了一种从一对随机变量的密度计算 MIC* 的有效方法，并定义了一个新的一致估计器 MICe 以及一个旨在强制独立性测试而非公平性的简单副产品 TICe，在仿真中证明了 MICe 和 TICe 分别具有良好的公平性和功率以及能够在高维数据集中挖掘出坚实关联的能力。

May, 2015

本文通过对多种独立性度量方法的经验评估，发现 MICe 在大多数设置下是最公平的方法，TICe 可以过滤掉相对无用的关系，并发现了一个关于独立性和公平性之间的权衡。

May, 2015

本文提出了一种基于 copula 的新型随机变量依赖度测量方法，延伸了 MMH 方法至联合分布的 copula，该方法类似于 Shannon 互信息，能够不受边缘变量任何严格增加变换的影响，重要的是在很多应用中，例如特征选择。本文通过一系列实验说明了理论贡献的作用在于特征选择和低维分布嵌入中。同时，该方法的估计是始终如一的，对离群值具有鲁棒性，并仅使用排名统计数据。该方法提出了收敛速率和独立性检验的上界。

Jun, 2012

研究比较了 MIC 与 Pearson 相关系数和距离相关系数在不同情况下的功率表现，发现 MIC 在大多数情况下的功率都比 dcro 低，甚至有时候比 Pearson 相关系数还低。

Jan, 2014

研究发现在高维数据集分析、非参数测量和公平性等方面均存在限制，创新性地提出了一种解决方法 —— 提出可解释间隔的思想，研究可平等的统计量以解决关键关系筛选问题，并采用区间估计和假设检验模型进一步深入研究。

May, 2015

介绍了一种新的统计学方法，MICr 统计量，用于在保持差分隐私的同时近似计算 Maximal Information Coefficient，并证明 MICr 是 MIC 的一致估计器。

Jun, 2022

我们发现在 A. Kraskov 等人的文章中声称两个实值随机变量之间的互信息的下界存在错误，并提出了一种新的方法建立在较弱的假设下得到较紧的下界，并在基因表达数据中展示了这种方法的实用性。

Aug, 2010

本文提出了一个简单的算法，用于计算两个一元随机变量之间的距离协方差。该算法基本上包括两个排序步骤，时间复杂度为 $O (nlog (n))$，比现有技术更快速。该算法的速度可以帮助研究人员探索大型数据集中复杂的依赖结构。

Oct, 2018

本文提出了一种信息理论的广义 CCA 方法，称为最大切片互信息（mSMI），它通过低维投影识别高维变量之间的最大互信息，能捕捉数据中的复杂依赖关系并具有较快的计算和可扩展的估计能力，同时保留了 Shannon 互信息的优秀结构特性和独立性的识别，提出了高效计算的神经估计器，并给出了其非渐近误差界。实验结果表明，在独立性检测、多视图表示学习、算法公平性和生成建模等任务中，mSMI 方法在几乎没有计算开销的情况下始终优于竞争方法。

Sep, 2023