本文研究了无实现性假设下具有相关 ($\beta$-mixing) 数据的随机设计线性回归的上界，并得出与中心极限定理预测的方差项恰当相符的结果。

May, 2023

本文介绍了如何使用张量分解学习单层嘈杂或网络的方法，并解决了存在系统性误差时如何对张量分解进行分析的问题，这一方法在其他设置中可能有用。

Dec, 2016

此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。

Feb, 2024

介绍了一种名为潜在高斯过程回归的方法，可以扩展输入空间，使用潜在变量来调制协方差函数以处理多模态和非平稳过程的回归问题，并在合成数据和实际应用中进行了验证。

Jul, 2017

本文介绍了一种用于多目标回归的集成方法，通过现有目标的随机线性组合构建新的目标变量，并与 RAkEL 和一系列最新的多标签分类算法进行比较。在 12 个多目标数据集上的实验证明，该方法表现显著优于单一模型方法和随机森林方法。

Apr, 2014

通过分析常用的 ' 共平滑 ' 预测框架的局限性，并提出一种改进的少样本预测方法，我们利用隐马尔可夫模型的学生 - 教师设置展示高共平滑模型空间在其潜在表示中可以包含任意外部动态，并引入次要度量 - 共平滑的少样本版本来解决这个问题。结果表明，在几乎最优的共平滑模型中，相对于不具有此类动态的 ' 最小 ' 模型，那些具有外部动态的模型在少样本共平滑中表现较差。我们还通过两种最先进的方法：LFADS 和 STNDT，在真实神经数据上验证了我们的发现。最后，我们提供了一种测量外部动态的代理指标，并发现少样本共平滑性能与该新指标之间存在相关性。综上所述，我们提出了一种新的预测度量标准，旨在获取更准确反映实际情况的潜在变量，为潜在动态推断提供了显著的改进。

May, 2024

本篇论文提出了一种新的图形模型预测方法，使用潜在偏移自适应性，利用最近提出的概率无监督学习框架来从图像中识别因果潜在结构，以适应和预测已知的源环境和未知的目标环境，结果显示本方法的高维图像数据集具有良好的预测性能。

Jun, 2023

本文提出了一种简化的半参数单指数模型，用于信号处理中的估计问题，理论基于可行集的平均宽度并通过线性估计和度量投影实现，即使在高噪声情形下，未知的非线性关系也不会显著降低确定信号的能力。

Apr, 2014

本文提出了一种因子方法来同时考虑模型选择和功能回归的视角，通过将预测向量分解为反映解释变量的共同因素和特定变异性的两个不相关随机分量，以包括主成分作为额外的解释变量在增广回归模型中，维度高于样本大小的线性回归问题中传统假设的稀疏向量参数是具有限制性的，模型选择程序可以用于估计增广模型的参数，并得出其理论性质和有限样本表现。

Feb, 2012

本文提出了一种基于概率模型的降维方法，通过在目标数据集和背景数据集之间寻找信号富集的模式，能够恢复目标数据集中潜在空间中的有趣结构，并可应用于去噪、特征选择和子组发现等领域。

Nov, 2018