本文使用范畴论方法对因果模型进行了分类处理，从 “纯因果” 的角度定义了因果独立 / 分离、因果条件等重要概念，并产生了一个核心部分的语法版本的 syntactic do-calculus 在所有因果模型中继承。

Apr, 2022

将非线性合适降维技术应用于条件独立性评估，引入了一种足够的图模型，该模型在本质上是非参数的，避免了高维核函数引起的维度灾难；通过模拟比较和对 DREAM 4 挑战数据集的分析，证明了该方法在高维设置下，且当高斯或 copula 高斯假设不成立时，其性能优于现有方法。

Jul, 2023

本文提出了一种新的算法，使用随机梯度变分推断方法和无偏估计对后验分布进行近似，实现了降低计算开销的贝叶斯合成似然，同时改善了现有相关似然无关变分推断技术的实现方式。这些新算法可以在参数和统计量的维度方面具有挑战性的情况下实施，相比传统的近似贝叶斯计算方法更为可行。

Aug, 2016

使用 Tucker 分解模型，配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择，取得高准确率的分类模型，使其适用于高维分类数据并解决标记互制问题。

Jan, 2013

本文介绍了关于马尔可夫链的多种结果，包括马尔可夫链的蒙特卡罗算法，几何和均匀遍历性的充分条件，收敛到稳态的速率的量化界限，以及 Metropolis-Hastings 算法的最优缩放和弱收敛结果。

Apr, 2004

描述了一种数据高效、基于核的条件独立性统计检验方法，通过数据拆分、辅助数据和更简单的函数类别等方法，控制偏差并校正测试水平，适用于合成和真实数据。

Feb, 2024

我们提出了经验弱收敛（EWC）的新概念作为解释核方法在明显不是独立同分布（i.i.d.）抽样方案下（例如数据来自动力学系统）表现优异的一般假设，该假设假定存在一个随机的渐近数据分布，并且是领域中以前的假设的严格削弱。我们的主要结果建立了 SVMs，核均值嵌入和一般希尔伯特空间值经验期望与 EWC 数据的一致性。我们的分析适用于有限和无限维输出，我们将统计学习的经典结果推广到后一种情况。总的来说，我们的结果为统计学习开辟了新的过程类别，并可以作为超越独立同分布和混合学习的一种理论基础。

Jun, 2024

为了解决科学研究中纯关联分析的局限性而发展的特征选择算法，提出了一种基于核的条件相关度量的向后淘汰方法，并且在合成与实际数据集上比起其他方法表现更为优秀。

Feb, 2014

介绍了赋予高阶函数和连续分布的概率编程语言的新概率论形式化 —— 拟 Borel 空间。展示了拟 Borel 空间可以替代标准可测空间、支持高阶函数、支持等式推理证明、同时支持连续概率分布，并将其运用于高阶函数与概率的理论证明。

Jan, 2017

本文针对难题进行了运算符理论的研究与探讨，提出了套用了核积分算子的方法，能够有效地在复现核希尔伯特空间里解决线性逆问题的方法。

Jun, 2023