本文介绍了一种基于神经网络和优化方法的似然比函数估计的方法，可用于工程和统计领域中的检测和假设检验问题。
Nov, 2019
提出了一个名为SPRT-TANDEM的基于深度神经网络的SPRT算法来解决传统SPRT在真实环境中出现的瓶颈问题，并在数据集测试中取得了更好的分类准确性和更小的数据样本数量。
Jun, 2020
提出了一种新的框架：Telescoping Density-Ratio Estimation (TRE)，可估算高维空间中高度不同密度之间的密度比，并在互信息估算，表示学习和基于能量的建模方面取得了显着的改进。
该论文提出了一种基于DRE-∞的、通过蒙特卡罗方法的数值计算技术，从而能够更准确地估算高维度数据中的概率分布之间的密度比率，并为复杂的高维数据集上的任务（如相互信息估计和能量建模）提供了更好的性能。
Nov, 2021
本文提出了一种基于多分类分类器的密度比率估计方法，解决了现有方法在概率分布分离(即互信息小)问题上的困难，同时在密度比率估计、互信息和表示学习等任务中表现出卓越性能。
May, 2023
本研究提出了利用半监督学习结合基于密度比估计的贝叶斯优化方法，解决在全局解候选人方面监督分类器过于自信的问题。针对 unlabeled point sampling 和 fixed-size pool 场景，对我们的方法和几种基线方法进行了实验结果展示。
通过分析一类正则化 Bregman 散度的密度比率估计方法，我们得出新的有限样本误差界，并提出一种 Lepskii 类的参数选择原则，在不知道密度比率的规则性的情况下最小化误差界。在二次损失的特殊情况下，我们的方法能够自适应地达到极小极大误差率。
Jul, 2023
在半监督学习场景中，我们提出了使用指数倾斜混合模型和最大非参数似然估计法进行的统计方法的进一步分析和理解，并在允许未标记和标记数据之间类别比例不同的情况下，得出了基于指数倾斜混合模型的估计的渐近性质；同时在随机抽样和结果分层抽样设置中，展示了相对于监督逻辑回归的提高效率；此外，当未标记和标记数据的类别比例受限于相同的情况下，我们以现有的半参数效率理论为支撑，对于这种效率改进做出了解释。我们还通过模拟研究来数值上验证了我们的理论发现。
Nov, 2023
使用ExCeL模型结合极端信息和集合信息，提高了在预测时对于认知外数据（OOD）检测的准确性，并在CIFAR100和ImageNet-200数据集上实现了最佳性能。
我们提出了一种基于logits的方法MaNo，通过对logits进行数据依赖的归一化来减少预测偏差，并将归一化logits的矩阵的Lp范数作为评估分数，我们在多个架构上进行了广泛的实证研究并证明MaNo在合成、自然或亚种群变化下实现了最先进的性能。
May, 2024