可交换变量模型
提出了一种新的学习法则，即预测性 PAC 学习，它适用于可交换数据，并使用 de Finetti 定理证明了如果一个具有普遍可分性的函数类在 i.i.d.G渐进输入下是无偏的，那么在可交换输入下也是无偏的，但样本复杂度略有降低。
Jun, 2010
本文致力于在线测试数据交换性假设，通过构造交换性鞅并提供一些新的方法来测试其假设。我们的鞅方法与之前介绍的假设检验方法相比具有更高的灵活性，在USPS和Statlog卫星数据两个基准数据集上取得了良好的结果。
Apr, 2012
本文提出了可分解先验，一种针对树形信念网络的先验族。在完整观测数据下，可以通过贝叶斯学习来确定结构和参数，后验概率也是可分解的，并且可以在多项式时间内完全确定。
Jan, 2013
该研究提出了一个基于Kolmogorov模型的学习框架，通过从数据中提取有价值的关系，推导了一些特定随机变量的结果之间的联系，并提出了一个算法来计算该模型，并展示其一阶最优性，尽管学习问题具有组合性质。该算法可以应用于推荐系统和其他场景，是解释性机器学习的重要一步。
Jun, 2018
该论文提出了一种新的概率模型，称为Exchangeability-Aware Sum-Product Networks (XSPNs)，它结合了Sum-Product Networks和mixtures of exchangeable variable models的优点，包括SPNs的高效深度学习和MEVMs处理可交换随机变量的高效性，并介绍了适用于XSPNs的结构学习算法。实验表明，当数据包含重复、可互换的部分时，XSPNs比传统的SPNs更准确。
Oct, 2021
我们提出了一种高度相关的统计学习理论，其中假设是图，超图或更一般的有限关系语言中的结构，并用采样诱导的子结构代替i.i.d. 采样，产生可交换分布。通过将高度相关的PAC可学习性以纯组合维度的有限性和适当的均匀收敛版本的条件来特征化，我们证明了统计学习的基本定理的高度相关版本。
Feb, 2024
利用概率图模型中的对称性进行可行的概率推理，我们在这篇论文中介绍了一种高效地检测可交换因子的方法，称为DEFT算法，通过有效地减少排列的数量来显著降低检测两个因子是否可交换的计算代价。
Mar, 2024