使用无算子、测度论方法，将条件均值嵌入（CME）作为在再生核希尔伯特空间中取值的随机变量进行了处理，并推导了一种自然的回归解释来获得经验估计，提供了彻底的理论分析，包括通用一致性。作为自然副产品，我们获得了最大均值差异和希尔伯特 - 施密特独立标准的条件类比，并通过模拟演示了它们的行为。
Feb, 2020
通过对概率测度空间进行微分计算的视角，我们提出了一个探索算法的弱广义误差和 $L_2$ 广义误差的新框架。具体而言，我们考虑 KL - 正则化的经验风险最小化问题，并建立了通用条件，使得在训练样本大小为 n 的情况下，广义误差的收敛速率是 $O (1/n)$。在一隐藏层神经网络的平均场区域的监督学习方面，这些条件反映在对损失和激活函数的适当可积性和正则性假设中。
Jun, 2023
本文提出了一种基于核的判别式学习框架，使用概率分布作为训练数据，通过将概率分布表示为再生核希尔伯特空间中的平均嵌入，可以应用许多标准的基于核的学习技术，构造了一种支持测量机，提出了一种灵活的支持向量机，实验结果表明所提出的框架有效。
Feb, 2012
本研究提出了一种基于核平均嵌入的正则化损失，该损失使用在超球（也称为点积核）上具有旋转不变性的核，用于自监督学习图像表示。除了与现有技术竞争力充分之外，我们的方法显着减少了自监督训练的时间和内存复杂度，使其可以在现有设备上实现非常大的嵌入维度，且比以前的方法更容易适应资源有限的设置。
Jul, 2022
本文通过对中心化和非中心化协方差算子 CME（Conditional mean embeddings） 的理论研究，讨论了 CME 的优点与问题，大幅放宽了 CME 的适用条件。在此过程中，本文演示了关于 Hilbert 空间中的高斯条件的美妙联系。
Dec, 2019
运用新的算子理论方法，结合核函数、随机过程和建设性学习算法，我们提出了用于条件均值嵌入的基于谱分析的优化方案，在优化模型特征选择的过程中，利用正定核的凸集。
May, 2023
该文介绍了一种基于希尔伯特空间嵌入的分布表征方法，该方法利用再生核希尔伯特空间将分布映射到一个空间中，并扩展了一般支持向量机和其他核方法的整个内核方法库，为概率测量、统计推断、因果发现和深度学习等领域提供了广泛应用，并讨论了该方法的理论保证，应用和未来的研究方向。
May, 2016
该研究提出了一种新的概率模型 —— 贝叶斯核嵌入模型，它可以用于解决核学习中的核选择问题，并给出了一个简单、方便的边缘似然函数用于确定核超参数。
Mar, 2016
通过算子值随机梯度下降的增量式学习算法，可以逐渐从数据中学习条件均值嵌入（CME），以便在大数据情况下处理可扩展性挑战，并在目标 CME 不包含在假设空间中时，提供在线压缩操作学习算法的有限样本性能保证。
May, 2024
提出了一种将概率分布嵌入到 Reproducing kernel Hilbert space (RKHS) 中的方法，通过定义核函数，使用两个分布嵌入之间的距离来对概率分布空间中的分布进行比较，我们证明了一些距离函数的特殊性质，并讨论了它们与概率计量学中其他距离的关系，同时介绍了支持这些特殊性质的核。
Jul, 2009