强瑞利分布是概率分布的自然推广，在其均匀形式的支持下，“自然的” Monte Carlo Markov Chain 快速混合；此外，该证明还暗示 Markov Chains 可以有效地生成 $k$ 确定性点过程的近似样本，这回答了 Deshpande 和 Rademacher 提出的一个开放性问题。

Feb, 2016

通过开发快速 Markov 链采样器，研究了受限制约束下的概率测度，包括强瑞利测度、确定性点过程，从而发展了适用于这些概率模型的 MCMC 采样器，并且通过实验证明了实现理论界限的关键因素对混合时间的依赖关系。

Aug, 2016

本文提出了基于确定性点过程和多元正交多项式的随机数值积分方法，其均方根误差会随着积分点数呈 N^{-(1+1/d)/2} 的速率减小，并在此基础上证明了一个属于该类定理的中心极限定理和精确的极限误差方差。

May, 2016

本文研究用于离散点过程的快速混合马尔可夫链蒙特卡罗采样的系统设计机制，探究了设置条件和误差限制的方法，提出了如何使用 Hessian 量来控制分解信息量，指出如果使用自然的相关性衰减概念，可以使用快速混合的 MCMC 方法导出较小的误差上限。

Jun, 2015

研究使用确定性点过程（determinantal point process）对行子集进行采样的复杂度，提出了一种新的算法 —— 正则化确定性点过程（R-DPP），该算法在预处理步骤和采样步骤上分别具有两个独立的特性，适用于机器学习、数据概括和低秩矩阵重建等多个领域。

Nov, 2018

本论文研究基于对称核矩阵的确定性点过程，提出了一种可扩展和快速的拒绝采样方法，通过构建新的建议分布以及对核进行一定结构上的约束，控制拒绝率，从而能够应用于非对称确定性点过程的采样。

Jan, 2022

本研究提出了一种基于确定性点过程的依赖稀化方法，其可用于生成新的点过程用于网络建模以及概率传输调度方案，并利用统计学习技术优化了这些模型。

Oct, 2018

本文主要研究在贝叶斯非参数混合建模中，采用一类具有稳定性的斯克林泊松 - 金曼随机概率测度。通过利用这类测度的采样特性和边缘特征，设计了一种高效的马尔科夫链蒙特卡罗采样算法，并在一维和多维数据集上应用于密度估计和聚类任务中，与其他的采样方法进行了对比分析。

Jul, 2014

本文提出了第一个使用高斯过程的非参数贝叶斯模型，在不用网格化域或引入潜在稀化点的情况下对泊松点过程进行推断。我们设计了 MCMC 采样器，并展示了我们的模型在合成数据和实际数据上比竞争模型更快，更准确且生成的样本更少相关性。最后，我们证明我们的模型容易处理先前未考虑的数据规模。

Oct, 2014

本文提出了一种基于 Determinantal Point Process（DPP）的新型非均匀采样方案，用于在 mini-batch SGD 优化中实现数据的多样性和平衡，成为了 Diversified Mini-Batch SGD (DM-SGD)。实验结果表明，该方法在无监督和监督学习中均能产生更具解释性和多样性的特征，并提高分类准确性。

May, 2017