本研究提出了非参数贝叶斯规则的去条件化核均值嵌入，并且展示了其与任务转换高斯过程的后验预测均值的联系。这提供了贝叶斯解释和不确定性估计，解释了它们的正则化超参数，揭示了内核超参数学习的边缘似然函数。这些发现进一步促进了无似然推断和大数据的稀疏表征等实际应用。

Jun, 2019

该文介绍了一种基于希尔伯特空间嵌入的分布表征方法，该方法利用再生核希尔伯特空间将分布映射到一个空间中，并扩展了一般支持向量机和其他核方法的整个内核方法库，为概率测量、统计推断、因果发现和深度学习等领域提供了广泛应用，并讨论了该方法的理论保证，应用和未来的研究方向。

May, 2016

本研究提出了一种基于 Rademacher 复杂度界限的超参数学习框架，用于平衡数据拟合与模型复杂度，从而达到无需核逼近的可扩展核超参数调整方法，并证明本方法优于现行竞争者，可进一步扩展以融合有效应用深度神经网络的权重以提高泛化性能。

Sep, 2018

研究了基于从 P 中独立随机抽样的应用正定核 k 的各种估计器（包括经验估计器）来最小化估计 Bochner 积分 μk（P）的理论保证。我们的主要发现是，对于一类离散分布和一类无穷可微分布，n ^ {- 1/2} 的收敛率分别是最小的，这是独立于核的平滑性和密度的（如果存在）。结果对非参数假设测试，密度估计和特征选择等统计应用具有实际意义。

Feb, 2016

使用无算子、测度论方法，将条件均值嵌入（CME）作为在再生核希尔伯特空间中取值的随机变量进行了处理，并推导了一种自然的回归解释来获得经验估计，提供了彻底的理论分析，包括通用一致性。作为自然副产品，我们获得了最大均值差异和希尔伯特 - 施密特独立标准的条件类比，并通过模拟演示了它们的行为。

Feb, 2020

该研究通过分析定量估计中的 Stein 现象，提出一个更优的核均值估计器，进而展示了一类比标准估计器更好的估计器，并着重讨论了其中的子类，提出了一种高效的收缩估计器。

Jun, 2013

本文将贝叶斯方法扩展到异质时间序列数据的可解释核嵌入，其可用于聚类、模式识别和异常检测等，相较于以往的关系核学习方法，具有更强的实用性。

Aug, 2019

本文提出了一种基于核嵌入的似然免费推理框架（KELFI），它自动学习模型超参数以提高推理准确性，同时具有较高的样本效率，可以解决生态学中的复杂推理问题。

Mar, 2019

引入一种新的非确定性方法，将数据嵌入低维欧几里德空间，该方法基于依赖于数据几何的高斯过程的实现，通过计算高斯过程的实现来计算嵌入，其中高斯过程的协方差函数被取为热核函数，嵌入的直线距离以概率意义上逼近扩散距离，避免了对距离进行尖锐截断并保留了一定的较小尺度结构，此方法还具有对异常值的鲁棒性，并通过理论和实验证明了该方法的优势。

Mar, 2024

本研究提出 Bayesian 非参数核学习（BaNK），是一种针对扩展核学习，且基于贝叶斯框架和非参数的数据驱动框架，通过对随机频率的谱分布设置非参数先验实现对于大规模数据的分类和回归任务的可扩展高效处理。实验表明，在各种真实世界数据集上，与多种可扩展内核学习方法相比，BaNK 具有更高的性能表现。

Jun, 2015