基于变分自编码器的方法来采样多元重尾分布，进而得到准确极值，此方法在洪水灾害风险评估方面具有潜在应用价值，不仅在测试数据中的性能比标准变分自编码器好，还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。

Jun, 2023

本研究提出了 Sparse-GEV 模型，即基于极端值建模的潜在状态模型，以自动学习稀疏的时间依赖性并进行预测。该模型是学习多元极值时间序列稀疏时间依赖性的第一批模型之一。实验结果表明，我们的算法在一个模拟数据集，一个气候数据集和两个 Twitter 数据集上比最先进的方法，包括 Granger 因果性，copula 方法和转移熵，表现更优越。

Jun, 2012

本研究探索多种统计技术结合 LSTM 深度学习模型用于交通网络中的异常检测。我们使用三种基于统计的模型和数值研究，研究表明 EVT 检测方法强于其它检测方法，且不需要预测误差服从 特定的概率分布。

Sep, 2019

提出了一种新的分类器 —— 极值机（EVM），它从统计学中的极值理论（EVT）派生出，能够进行变量带宽的非线性无核增量学习，对比同样在 ImageNet 数据集上的其他分类器，EVM 展现了高准确率和高效率。

Jun, 2015

通过构建一个新的可变空间特异极值自动编码器模型 (extVAE)，本文研究了一种具有灵活非平稳依赖性的极值分布，并在 Red Sea 海域的高分辨率卫星获取的温度数据中进行了计算。

Jul, 2023

本文基于极值理论的广义帕累托分布，提出了一种新的聚类算法 GPD k-means，它模型化了聚类的距离分布，并用概率模型描述了每个类别。实验证明，在合成数据集和真实数据集上，GPD k-means 优于传统聚类算法。

Feb, 2022

通过使用极值理论参数化分布的方法提高强化学习中的风险敏感能力，以应对罕见的危险事件并优化状态动作值函数估计。实验结果表明，该方法在各种不同风险场景的测试中优于其他风险规避的强化学习算法。

Aug, 2023

本研究提出了一种名为 ExGAN 的 GAN 方法，基于极值理论（EVT）来识别和生成真实和极端的训练样本，有效地帮助风险管理。该方法在测试中表现良好，可以用较短时间内生成所需要的多种极端事件模型。

Sep, 2020

对高维向量时间序列样本协方差矩阵的某些函数的最大型统计进行研究，以统计地确认或拒绝一个数据集是在正常条件下收集的空假设。该方法推广了样本自协方差函数的最大偏差情况。在线性时间序列的框架下，证明了古贝尔型极值渐近性成立。应用方面涉及长仅最小方差投资组合优化、针对特殊风险的子投资组合分析、ETF 指数追踪的稀疏追踪投资组合、用于图像分析的卷积深度学习器和传感器数据的分析。

Oct, 2023

本文提出了一种名为 stray 的算法，使用基于极值理论的方法计算异常值阈值，针对 HDoutliers 算法的局限性进行改进，可以在准确性和计算时间上优于 HDoutliers 算法，对于数据结构中存在的异常值，使用特征工程进行检测，已在开源 R 包 stray 中实现。

Aug, 2019