网络历史可恢复性的相变
本文通过对稀疏图上的推理问题的描述和分析，研究了随机块模型的相变以及在信息论上最优化问题变得容易但是在计算上仍具挑战性的的混合硬相位，并阐明了消息传递算法的贝叶斯最优性及其在这些问题中的作用，并通过数值模拟验证了该方法的有效性。
Jun, 2018
通过研究完全连接前馈神经网络和卷积神经网络中的有序到混沌转变，展示了如何将合适初始化的神经网络行为理解为吸收相变中的普适临界现象，并且可以成功应用有限尺度缩放，从而导致了信号传播动力学的半定量描述。
Jul, 2023
本文使用 l1 正则化最大似然框架研究了一般连续时间扩散模型的网络结构推断问题。我们证明了只要级联采样过程满足自然的不相干条件，我们的框架可以在观察到 O (d3logN) 个级联的情况下高概率地恢复正确的网络结构。此外，我们开发了一个简单有效的软阈值推断算法，并证明我们的框架在实践中优于其他替代方案。
May, 2014
研究表明，扩散模型在捕捉图像等自然数据中的层次组合特征方面具有潜力，通过分析层次生成模型的反向扩散过程，发现在某个阈值时间后，高层次特征的重构概率突然下降，而低层次特征的重构则在整个扩散过程中平滑演化，这为扩散模型的时间与尺度关系提供了理论研究，并将生成模型提出作为建模组合数据特性的强大工具。
Feb, 2024
本研究在一个在线概率学习框架中，首次将网络变化点检测问题形式化，并引入了一种可靠的方法。该方法结合了广义分层随机图模型和贝叶斯假设检验，可以定量确定变化点何时、如何精确地发生。在使用已知类型和大小变化点的合成数据进行分析时，证明该方法比以前使用的几种替代方法更准确。应用于两个高分辨率的演化社交网络场景，该方法识别了一系列的变化点，并与这些网络已知的外部 “冲击” 相一致。
Mar, 2014
研究了一种算法上难解的相位（hard phase）在推理问题中的表现，特别是在低秩矩阵分解问题的情境下，发现当信噪比低于信息熵的阈值时，后验概率由指数数量的玻璃态组成，AMP 算法的表现在处理这种玻璃态时并没有得到改善。
May, 2018
我们证明了 Evans，Kenyon，Peres 和 Schulman（2000）的猜想，该猜想表明有限内存的消息传递算法在重构问题上在统计上比置信传播要弱得多，并且通过将递归重构、信息论和最优输送的工具结合起来，还建立了 BP 和其他消息传递算法临界阈值附近的渐近正常性结果。
May, 2019
本文研究了非平衡系统下复杂网络交互结构的推断问题，提出了一种精确的迭代反演算法，并开发了基于动力均场和 Thouless-Anderson-Palmer 方程的有效近似方法来表达相互作用。
Sep, 2010
本研究介绍了一种基于时间变化的网络的生成模型，能够产生一系列从平等主义到双稳态等级制度，并通过对聘用模式、统治关系和友谊网络等社会和生物系统进行应用，观察到几种持久模式以及每种模式所喜欢的生成机理的可解释性差异，并支持使用数据进行原则性比较的统计推理，从而为关于基于统计的时间变化网络模型的不断增长的文献做出贡献。
Jul, 2020