本文研究了随机初始化的宽神经网络能否通过高斯过程来近似。我们在一个无限维函数空间中建立明确的收敛速率，说明了两种不同的情况：同时激活函数的次数和函数的平滑度会决定高斯过程的收敛速度。

Feb, 2021

本研究结合随机神经网络和张量程序的概念，研究了神经网络的收敛性和梯度动态性，在多种不同体系下，从而表明了该框架不仅可以引导更强的高斯过程的设计，而且还可以深入理解现代架构中的 SGD 动态。

Feb, 2019

发展了出色的变分逼近高斯过程后验方法，可以避免数据集尺寸为 N 的时间复杂度 O (N³) 的问题，而将计算复杂度降低到 O (NM²) 的程度，M 是总结进程的引出的变量数。结果表明，通过以比 N 更慢的速度增加 M，可以使 KL 散度任意小。

Mar, 2019

本文探究噪声线性模型下单次训练中的随机梯度下降算法，证明了其收敛性和泛化误差的多项式收敛率，解释了结果在再生核希尔伯特空间框架下的意义，同时将分析应用于超出监督学习的场景。

Jun, 2020

本研究讨论了线性二时间尺度随机逼近方法的收敛速度，证明了它们的渐进协方差和建立了渐近正态性，通过本文的一般结果，证明了著名的 Polyak-Ruppert 平均技术在线性随机逼近中的最优性。

May, 2004

本文通过迭代高斯化的过程，提出了一种名为 “高斯化流” 的正态流模型，能够进行高效的似然计算和样本生成，而且具有良好的表达能力，能够捕捉多峰分布，且相较于其他流模型有更好的鲁棒性和泛化能力。

Mar, 2020

本研究提出了一种基于旋转的迭代高斯化变换（RBIG）的解决方案，利用一系列不同的可微分高斯化变换对未知的概率密度函数进行了估计，实现了多维度问题的 PDF 估计。

Jan, 2016

本研究通过对随机图模型的分析，研究了图卷积网络（GCN）的性质，包括 GCN 达到其连续对应的收敛性以及 GCN 对随机图小变形的稳定性，这有助于解释卷积表示在欧几里得域中成功的原因。

Jun, 2020

本文研究高斯过程在贝叶斯建模中的应用，探讨了使用较少的引入变量进行逼近的解决方案，并给出了在高质量逼近下引入变量的增长上下界。

Aug, 2020

提出了用于学习高维多项式变换高斯函数的算法，同时探讨了该算法在深度生成模型中的作用，同时还给出了可证实保证的分解高维张量算法

Apr, 2022