研究如何通过样本来鉴别未知分布是否属于某个分布类，提出了一种可获得最优样本和计算效率的通用方法，并为分布的基本属性提供了测试方法。

Jul, 2015

研究总变差距离下的离散分布测试问题，提出可用于样本较高概率区域的属性测试的算法，包括相应参数的样本复杂度与正确性保障。

Sep, 2020

研究了对结构化分布的身份验证问题，提出了具有信息理论最优的样本复杂度的新型简单测试器，并应用于 t - 平面，t - 模态，对数凸，单调危险率（MHR）和它们的混合等广泛类别的结构化分布。

Oct, 2014

研究了分布检测的样本测试的复杂度问题，提出了两种技术方法，一种是提供样本最优测试器，另一种是提供匹配样本下界。作者解决了大量重要的测试问题并证明了样本最优性，并且得到了第一个样本最优的对应测试器。

Jan, 2016

使用新技术，我们证明了通过涉及所讨论分布的 bin 概率的不等式定义的性质的分布测试下界。利用该技术，我们对离散六面体上的单调性测试获得了新的下界，并对对数凹性测试获得了严格的下界。

Jul, 2023

在标准访问模型和条件访问模型中，当测试算法的内存受到限制时，我们研究分布测试。我们提供了一个样本复杂性和空间复杂性之间的权衡，用于在根据条件访问预言进行抽样时测试身份。我们还展示了我们可以有效地学习具有几乎最优的样本存储限制的单调分布的简洁表示。此外，我们还展示了单调分布的算法可以扩展到更大的可分解分布类。

Sep, 2023

在非独立同分布的样本情况下，研究子线性样本属性测试和估计在哪些情形适用；给定一组分布，考虑学习或测试平均分布的属性，在某些情况下需要 $\Theta (k/\varepsilon^2)$ 样本；对于均匀性或相似性的测试，给定 $c=1$ 个样本，需要线性数量级的 $k$ 样本；$c \geq 2$ 时，恢复了独立同分布的亚线性样本测试，需要 $O (\sqrt {k}/\varepsilon^2 + 1/\varepsilon^4)$ 样本，且在 $c=2$ 的情况下，即使是线性数量级的 $\rho k$ 样本，也不能进行均匀性测试。

Nov, 2023

通过变宽直方图的方法精准估算概率分布，从而实现高效的概率分布混合学习算法。分析了几种常见的概率分布类型，包括对数凹形分布，单调危险率分布和单峰分布，并表明它们具有少量宽度直方图的结构特性。应用该算法可近乎最优地解决这些混合学习问题。

Oct, 2012

研究了离散分布的条件独立性检验问题，并给出了样本复杂度的上下界，提出了第一种具有次线性样本复杂度的条件独立性测试器，用于对分布属性进行测试。

Nov, 2017

本文针对 $k$- 模态分布，提出了一种密度估计的学习算法，利用性质测试算法实现分布分解，从而实现对不同峰值与谷值情况的分布的有效估计。

Jul, 2011