本文提出了一种新的差异度量统计量，该统计量基于 Stein 的恒等式和再生核希尔伯特空间理论相结合。我们将其应用于测试概率模型与观测值的拟合程度，并派生了一类新的强大的适用于复杂和高维分布的拟合优度检验，即使对于具有计算难度的常数归一化分布亦如此。我们全面研究了方法的理论和实证特性。

Feb, 2016

我们提出了一种新的适应性拟合优度检验方法，通过最小化假阴性率，学习最能表明观察样本与参考模型之间差异的测试特征来构建这些特征，我们采用了 Stein 法。该方法在计算成本上是线性的，并且在实验中的表现优于前期线性测试的表现，在高维度和可以利用模型结构的情况下，我们的合适性检验的表现远好于基于最大均值偏差的二次时间两样本检验，其中样本是从模型中抽取的。

May, 2017

本文提出一种基于核的非参数拟合度检验，旨在比较两个可能具有未观测潜在变量的模型，新检验相对于分布难以处理的情况进行通用化处理，并且相对最大均值差异检验具有更高性能。

Jul, 2019

提出一种基于重现核希尔伯特空间和大偏差界限的统计检验框架，可用于分析和比较分布，特别对于数据库属性匹配具有很好的性能表现。

May, 2008

本文针对非参数工具回归模型，提出了几种限制性规格检验。基于级数估计器，建立了测试统计量，允许对一般模型进行参数或非参数规格的测试，以及对回归向量外生性的测试。文中推导出了测试在正确规格下的渐近分布，并对任何另一种模型的一致性进行了展示。在局部替代假设的序列下，导出了测试的渐近分布。此外，建立了一类替代假设的统一一致性，其与零假设距离适当缩小随着样本大小的增加。蒙特卡罗研究检验统计量的有限样本性能。

Sep, 2019

提出一种 KSD 检验的改进方法，通过使用 Markov 转移核函数对样本进行扰动，保证目标分布不变，从而获得比 KSD 检验更高的检验能力。

Apr, 2023

该论文提出了一种基于核函数的机器学习算法，可以通过对数据集的分组进行处理，采用独立同分布的样本集作为数据点，利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。

Feb, 2012

文中提出了一种基于核分布嵌入的非参数假设检验的野生自助法。该方法适用于一类基于 $V$- 统计量的核检验，通过这种方法可以构建一致性的检验。实验表明，该方法在合成样本、音频数据以及 Gibbs 采样的性能基准测试中表现出很强的性能。

Aug, 2014

基于函数空间定义内核的最大均值差异（MMD）的非参数二样本检验程序，用于测试两个函数样本是否具有相同的潜在分布，建立在数据集维数增加情况下 MMD-based 测试效率的基础上。

Aug, 2020

本研究基于 Reproducing Kernel 和 Stein method 提出了一种新型的无偏采样方法，通过比较概率分布的差异来衡量采样结果的表现，并在一些目标分布中证明其收敛性和优越性。

Mar, 2017