本文提出了一种名为核条件矩（KCM）检验的新型规范检验方法，该方法利用再生核希尔伯特空间（RKHS）中的条件矩嵌入（CMME）来表示条件矩限制，并将其转换为 RKHS 单位球内的最大矩限制（MMR），具有易于计算和封闭式渐近分布的解析表达式，实证研究表明，KCM 检验相对于现有的检验方法，具有良好的有限样本性能。

Feb, 2020

利用半定规划抑噪，解决高斯混合模型中方法矩的不一致性等问题，建立在 Wasserstein 距离下新的矩比较定理，提出新的算法，解决方法矩估计常见的问题。

Jul, 2018

我们介绍了一种新的算法类别，即随机广义矩方法（SGMM），用于估计和推断（过识别的）矩约束模型。该 SGMM 是对流行的 Hansen (1982)（离线）广义矩估计法的一种新型随机逼近替代方法，并具有快速、可扩展的实时数据流处理能力。我们建立了对于低效的在线两阶段最小二乘法（2SLS）和高效的 SGMM，几乎确定的收敛性和（函数）中心极限定理。此外，我们提出了 Durbin-Wu-Hausman 和 Sargan-Hansen 的在线测试版本，可以无缝集成到 SGMM 框架中。大量的蒙特卡洛模拟表明，随着样本量的增加，SGMM 在估计准确性和计算效率方面与标准（离线）GMM 相匹配，从而显示了它在大规模和在线数据集上的实用价值。我们通过两个知名的具有大样本量的实证示例来证明我们方法的有效性。

Aug, 2023

针对一种特定的协变量偏移问题，该研究利用核均值匹配 (KMM) 估计器的高概率置信界推导出该估计器的收敛速率，并与自然插值估计器进行比较，结果表明其具有更好的效果和应用价值。

Jun, 2012

本文提出了一种基于广义矩 (MOM) 的快速参数估计方法，可以在混合数据类型的 Dirichlet 潜变量模型中应用，该方法不需要潜变量的实例化，有效地解决了参数估计的计算和统计问题。

Mar, 2016

本文提出了一种有效方法来估计高维的混合模型的参数以及应对 EM 算法的失败问题，该方法基于矩估计法来进行无监督学习从而实现了之前未能达到的混合模型严格的无监督学习结果。

Mar, 2012

本文提供了一种学习深度神经网络表示条件矩限制模型的方法，该方法以模型和对手之间的零和博弈为核心思想，将深度神经网络用于非参数工具变量回归中。

Mar, 2018

本文介绍了一种基于最小距离估计的统计模型，即对于可能性不易计算的生成模型，通过指定核函数，作为一个度量距离的最大均值差异（MMD）可以用来进行最小距离估计，同时结合自然梯度下降算法的应用使这种估计更加高效和鲁棒。

Jun, 2019

通过引入基于矩的新型嵌入约束，以及使用具有联合分布的最终层的 Axis-Aligned Gaussian Mixture Model (AAGMM) 层来解决 softmax 网络中的异常值敏感性问题，并在半监督图像分类领域实现与 FlexMatch 准确性匹配的结果。

Apr, 2024

提出了一种局部鲁棒正交矩函数的构造方法，用于 GMM 的非参数或高维度的第一步估计，并表明可通过添加非参数影响函数建立正交矩函数以及用于估计未知函数的一般方法。同时给出了一些新的双重鲁棒矩方程，并应用于高维回归分位数和动态离散选择参数函数估计上的渐近推断。

Jul, 2016