本研究提出了一种使用深度学习进行无监督非参数聚类的方法，首先利用深度学习进行特征表示和降维，然后在最大边际框架下进行非参数聚类，最后在深信念网络中优化模型参数。实验结果表明我们的方法优于现有竞争方法。

Jan, 2015

本研究将非参数知识融入最小均方扩散算法的最大后验估计框架中，提出了一种能够在合作估计器组中鲁棒地估计未知参数向量的算法。通过利用核密度估计和缓冲一些中间估计量，计算每个节点中参数向量的先验分布和条件似然。设计了似然函数使用伪 Huber 损失函数，定义了一个误差阈值函数来减少计算开销并更好地抵抗噪声，当误差小于预定义阈值时停止更新。在存在高斯和非高斯噪声的稳态和非稳态情况下对所提出的算法的性能进行了检验。结果表明，该算法在不同类型噪声存在下具有鲁棒性。

Dec, 2023

本文提出了一种结合核密度估计和经验贝叶斯方法的新的非监督学习目标，并把优化问题抽象成为高维球体的交互。基于这一机制我们提出了两种新的算法框架：基于 Langevin MCMC 和经验贝叶斯的 “步进 - 跳跃” 采样方案和一个概率框架用于联想记忆，称为 NEBULA。

Mar, 2019

通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。

Mar, 2018

研究了非线性现象 $m$ 的扩散式网络学习问题，提出了一种非参数学习算法，仅需要局部代理的测量，并且仅仅在相邻节点之间进行信息传播。所提出的方式得到了非渐近估计误差界，通过模拟实验，展示了它的潜在应用。

May, 2023

本文提出两种方差降低方法对分布式、隐私保护学习中使用的基于自助法的方法进行改善，包括权重 M - 估计器等。进行了理论和实证分析以证明我们的方法。

Jul, 2016

本文提出了一种基于贝叶斯方法的加权随机块模型，可以用于推断加权网络的大规模模块结构，方法为无参数方法，使用数据来推断模型中的群组数量和其他维度，并提供了不同种类的边权（如连续或离散、有符号或无符号、有界或无界等）以及任意权重转换的综合处理。作者还描述了无监督模型选择方法来选择最佳网络描述，并且将该方法应用于各种实际加权网络，例如全球移民、国会中的投票模式和人类大脑中的神经连接。

Aug, 2017

本文介绍了一种有效的深度聚类方法，该方法使用了分裂 / 合并框架、动态体系结构自适应于不断变化的聚簇数量 K，并且不需要预先指定 K 值。论文证明了这种无需预先指定簇数的非参数方法在 ImageNet 等数据集上，超越了现有的基于深度学习和传统的非参数聚类方法，并展示了在数据集不平衡时，预先指定 K 值的方法的性能下降。

Mar, 2022

该论文提出了使用稀疏组套索惩罚来适应神经网络以解决非参数高维问题，其中真实功能位于低维子空间中，并对统计收敛性进行了表征。

Nov, 2017

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020