本研究提出了 “通过感受野分布匹配的图压缩” 算法，通过优化生成的小图形，使其具有与原图相似的感受野分布，从而在保持准确性的同时减小输入大小，并通过使用最大均值差异来量化其分布匹配损失，实现了高度通用性的生成图，并显著提高了压缩速度。

Jun, 2022

通过基于高斯分布的傅里叶分析属性，我们提出了一个新的估计器，可从在网络上重复测量的高斯自由场图中估计加权网络的结构（等价地，其拉普拉斯矩阵），并展示了具体的恢复保证和所需样本复杂度的界限。

Aug, 2023

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

本文研究了基于地图移动距离的图移动距离（GMD）的计算和使用，探究了其与地图距离的稳定性，并展示了其在字母识别方面的良好实证结果。

Jun, 2023

本文提出了一个新的距离度量方法，可以比较两个连续概率密度函数。主要优点是能够为高阶高斯混合模型提供解析闭合形式表达式，从而满足所有度量特性，这种特性在现实信号处理应用中非常有用。为解决 Gaussian 混合模型压缩问题，本文提出了一种基于优化的贪心算法 OGGMR，该算法使用了作者提出的度量作为准则，可以用低阶高斯模型逼近高阶的高斯混合模型，同时保留了原始混合模型的几何形状。实验结果表明，OGGMR 算法比其他同类算法更快更有效。

Jun, 2023

我们提出了一种均匀集中不等式，用于一类基于最大均值差异（MMD）的估计器的理论分析，特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导

May, 2024

通过引入图测地线距离（GGD）度量，本文提出了一种用于评估图神经网络（GNNs）泛化性和稳定性的光谱框架。通过引入光谱图匹配过程找到节点对应关系并计算其测地线距离，通过减小较大图的尺寸但保留原始光谱特性的阻抗型光谱图粗化方案降低了图的大小。实验证明，所提出的 GGD 度量能够有效量化两个图之间的差异，包括节点之间的有效电阻、切割、随机行走的混合时间等结构（光谱）属性，与最新的 Tree-Mover's Distance（TMD）度量相比，提出的 GGD 度量在仅有部分节点特征可用时，对 GNN 的稳定性评估表现出显著改进。

Jun, 2024

本文提出了一种针对属性图的伪度量（TMD），并研究了它与泛化的关系，显示出 TMD 捕捉了与图分类相关的属性，且良好相关性对于泛化的 GNNs 来说性能下降。

Oct, 2022

通过多属性数据分析，提出了一种基于组套索罚函数和交替方向乘子法的差分图学习方法，给出了在高维环境下对支持恢复和估计的一致性理论分析，并展示了基于合成数据和真实数据的数值结果。

Dec, 2023

本文提出了一种基于特征函数距离（Characteristic Function Distance）的新颖的隐式生成模型评价方法，可用于无监督图像生成，并在实验中表现出优于 WGAN 和 MMD-GAN 变体的性能。

Sep, 2019