基于对多个应用程序在社交网络、神经系统和金融风险分析中的动机，我们研究了学习具有内存的高维多元离散时间马尔可夫过程的底层（有向）影响图或因果图的问题。我们将一个已有的算法扩展到这种带有内存的马尔可夫设定中，并证明了在影响图的度受限制的条件下，它可以基于二进制观测量学习影响图，在样本复杂度上具有对数（相对于变量或节点数量）的要求。本工作的重要分析贡献是通过上界和下界约束观测到的带有内存的马尔可夫过程相对于影响图参数的收敛速率来导出样本复杂度结果。

Jun, 2024

本文提出了一种基于十进制一次元细胞自动机（FDCA）的聚类算法，其中基于可达性创建聚类。使用 G"odel 数字编码将现实数据对象编码为十进制字符串，该方案减少了编码字符串的长度同时保持特征属性。根据自复制和信息流等一些理论标准，确定候选 CA 规则，并开发了迭代算法以生成所需数量的聚类，通过 Silhouette 得分、Davis Bouldin、Calinski Harabasz 和 Dunn 指数等基准聚类度量对聚类结果进行评估。与现有最先进的聚类算法相比，我们提出的算法具有更好的性能。

May, 2024

本文介绍了一种基于核的多任务高斯过程模型，用于利用具有两个状态的时间不均匀马尔可夫过程（移动和暂停）来近似个体移动状态的基本功能，并介绍了时间可变性，并利用 Toeplitz 和 Kronecker 积的结构加速 GP 估计和推理，其中数值实验演示了我们的公式实现所需的限制条件，同时学习了转移概率的功能形式。

Jun, 2023

本文研究使用控制李亚普诺夫壁函数（CLBF）来分析安全性和可达性，使用 Lyapunov 壁演员 - 评论家（LBAC）算法进行数据驱动寻找控制器，以实现无模型的强化学习在机器人控制中的广泛应用。在模拟实验和真实机器人控制实验中，实验结果显示了该方法在可达性和安全性方面的优异表现。

May, 2023

本文提出了一种名为 Pelphix 的新方法，用于将 X 射线高度合成图像序列建模，以在四个不同细化级别上对手术阶段进行分类。这种方法证明了 X 射线的 SPR 的可行性，它对骨科手术、血管造影和介入放射学等过程都有益。

Apr, 2023

本文围绕折扣强化学习中下降估算最常见的问题，提出了关于估算误差与马尔科夫过程和折扣因子的混合特性的极小极大下界，然后对一组显著的估算器和相应的采样程序进行了统计分析，并表明直接从马尔科夫过程折扣核中进行抽样估计平均值，相对于传统估算器具有更优异的统计特性。

Apr, 2023

本文提出了一种新的方法，通过算法过程对广义计划的终止和可达性相关属性进行评估，并使用经验分析说明了该方法的范围和效果。

Dec, 2022

本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统，可以用于验证自动驾驶系统的性能，而无需进行昂贵且耗时的道路测试。

May, 2021

基于熵最优传输，研究了扩散过程的时间反演问题，得到了一类扩散过程的时间反演公式和半鞅特征的表达式，并使用此方法推导了一个关于图上随机游走的时间反演公式。

Apr, 2021

本文提出了一种基于马尔可夫过程的可微信道修剪方法 Differentiable Markov Channel Pruning (DMCP)，它可以通过梯度下降直接优化标准任务损失和预算规则来有效地搜索最优子结构，并可以在各种 FLOPs 设置中实现比现有最优修剪方法更为准确和优秀的结果。

May, 2020