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

本文主要研究了离散分布的结构性质（类），提出了一个通用的算法，可以测试各种形状约束的属性，包括单调、对数凹、t - 模态、分段多项式和泊松二项式分布。此外，对于所有考虑的情况，算法在领域大小方面具有近乎最优的样本复杂度，并且计算效率高。

Jul, 2015

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

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

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

本研究主要研究了如何在高置信度条件下，通过有限样本同时检验分布 $q$ 和 $p$ 是否相同，其结果给出了最优样本复杂度并表明了经验分布在均匀性检测中的高效性。

Aug, 2017

本文研究了对于两个离散分布的近似度检测问题，给出了一些用于信息理论最优的简单测试方法，并且在 $n$ 和 $\eps$ 的依赖关系上都达到了常数因子。

Aug, 2013

研究在差分隐私条件下，如何通过相应的随机化测试方法区分分布 P 和分布 Q，以及有哪些测试方法对应最佳的样本复杂度，进而将这一结果应用于私有变点检测中，同时还讨论了算法稳定性对于检验假设的适用性及普适性。

Nov, 2018

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

本文讨论了单变量对数凹分布的鲁棒适当学习问题，并提出了一种能够有效解决该问题的算法，该算法可以获得信息理论最优的样本量，并具有多样的应用。

Jun, 2016