本文提出了一种被称为交互追踪（IP）的有效和灵活的程序，用于在超高维度下识别交互作用，其屏蔽交互作用和主效应的新特征筛选方法以及使用正则化方法在减少特征空间中选择重要交互作用和主效应，我们对其进行了理论上的讨论并证明了适用于交互作用和主效应，其具有将被筛选的确信性以及在选择中具有奥拉克不等式等性质。

May, 2016

该研究介绍了 Sure Independence Screening（SIS）概念，提出了一种基于相关学习的 SIS 方法来减少超高维度，进而通过 SCAD、Dantzig 选择、Lasso 或自适应 Lasso 等成熟方法来提高速度和准确率。

Dec, 2006

本文研究高维稀疏二次判别分析 (QDA)，旨在建立最优的收敛速率以实现分类误差。我们提出了一种分类算法 SDAR，使用基于稀疏假设下的约束凸优化。该算法的最小化上下界都被得到。模拟研究证明，SDAR 在数值上表现良好。我们还将此方法论扩展到多组分类和高斯椎体模型分类。

Dec, 2019

提出了一种名为高维 OLS 投影（HOLP）的新型筛选技术，该技术在无需强相关性假设的情况下，具有保证筛选性能和一致的变量选择，并具有较低的计算复杂度。

Jun, 2015

本文提出了一种高维多响应交互模型的特征筛选和特征选择方法 ——IPDC，该方法通过应用距离相关性转换变量来识别特征交互，并在特征选择中使用，具有计算效率高、适用范围广、理论性能良好等优点。在多个仿真和实际数据分析中证明了该方法的有效性。

May, 2016

本文提出了一种基于相关性学习的变量筛选方法，以降低稀疏超高维模型的维度，并进一步将相关性学习扩展到边际非参数学习，提出了一种名为 NIS 的非参数独立性筛选方法，该方法在一些温和的技术条件下具有肯定的筛选属性，同时还提出了一种迭代的非参数独立性筛选方法 (INIS) 以增强其在适合稀疏附加模型的有限样本性能上的表现。仿真结果和实际数据分析表明，该方法适用于中等样本量和大维度，并表现优于竞争方法。

Dec, 2009

本文介绍了一种新的基于高斯过程的贝叶斯方法，能够通过使用 O（p）内核超参数来捕获后验概率，从而实现运行时间和内存直接线性相关，并且通过实验表明其在各种协变量行为的数据集上相对于现有贝叶斯和 LASSO 方法具有更好的计算缩放和错误率。

May, 2019

提出了一种新的，具有物理解释的统计估计量来学习未知 Ising 模型的基础图，该估计量使用凸优化计算速度快，并且在适当的正则化下，可以以对数的速度回复基础图。

May, 2016

本研究利用基于距离相关性的独立筛选法（DC-SIS）筛选高维数据中的特征，具有适用于多个学科的重要性，并证明了该方法相对于基于 Pearson 相关性的独立筛选法（SIS）的优势，并在更广泛的情况下通过建立独立筛选性质来使用 DC-SIS，其实现不需要模型说明。此外，DC-SIS 可以直接用于筛选分组预测变量和多元响应变量，并在各种模型中表现出比 SIS 更好的表现，在实际数据中也得到了证明。

May, 2012

该论文研究了线性筛选方法的一类，并为该特殊类别建立了一致性理论。具体而言，我们证明了限制对角支配（RDD）条件是强筛选一致性的必要和充分条件。

Feb, 2015