本文介绍和特征化了一种依赖性的人口测量 MIC*，并基于此理论引入了一种从一对随机变量的密度计算 MIC* 的有效方法，并定义了一个新的一致估计器 MICe 以及一个旨在强制独立性测试而非公平性的简单副产品 TICe，在仿真中证明了 MICe 和 TICe 分别具有良好的公平性和功率以及能够在高维数据集中挖掘出坚实关联的能力。

May, 2015

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

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

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

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

提出了一种基于几个关键指导方针的依赖度量选择和开发框架，该框架旨在实现关系量化而非简单存在的确立，并重视解释性概念的重要性，并演示了如何实现更一般的信息度量以达到相同的目标。 通过提供两个实际数据示例来说明并证明了该框架的有效性。

Feb, 2013

提出了一种新的计算有效的依赖度量和自适应统计独立性检验方法，其特点是数据高效运行时间为线性，并且在真实基准中表现良好。

Oct, 2016

本文总结并将现有的信息论依赖度量的主要思想推广到更高层次的透视图，并基于此提出了两种测量依赖性的新方法，分别是基于矩阵的归一化总相关量和基于矩阵的归一化双重总相关量，用于量化多变量在任意维度空间中的交互依赖关系，同时探究其在基因调控网络推理、机器学习、异常值检测以及卷积神经网络学习动态等四个问题中的应用，以此展示其实用性、优点和意义。

Jan, 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

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