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

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

本文提出了一种新的统计量，以在噪声数据中准确反映确定性信号的比例，基于这种情况提出了新的公平性定义，与两个定义相比，基于 Copula 密度的 Copula 相关性 (Ccor) 在两个定义下都是公平的，相对于互信息，Ccor 在理论上更容易估计，并且在数值研究中表现出了良好的性能。

Dec, 2013

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

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

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

我们提出了一种新的较低计算复杂度的非参数 MI 估计方法 - Ensemble Dependency Graph Estimator (EDGE)，并证明当密度可微分时可以达到理论最优渐近均方误差收敛速度，并显示其用于信息平面和深度学习中的实用性。

Jan, 2018

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

本文提出了一种名为 Sliced MI（SMI）的关联系数测量方法，它是高维互信息的一种替代，通过对一维随机投影之间的互信息项求平均来定义，并且可以应用于特征提取。实验结果表明，与传统的互信息相比，SMI 在高维推断中具有潜在的优势。

Oct, 2021

使用 Hilbert-Schmidt 独立准则（HSIC）测量依赖性，建立了新型非参数统计假设检验方法，用于确定一个源变量对于两个候选目标变量的依赖性。测试表明第一个依赖度量是否显著大于第二个，其结果表明建立这些 HSIC 统计数据之间的协方差计算比独立 HSIC 统计量的子采样法更有效。

Jun, 2014