该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

Mar, 2013

本研究提出一种用于估计异构总体逆协方差矩阵的通用框架，该框架使用 Laplacian shrinkage penalty 来鼓励异构但相关子总体的估计值之间的相似性，同时允许矩阵之间的差异。通过使用经验协方差矩阵的阈值截断来识别所估计的精密矩阵的联合块对角线结构，提出了一种有效的交替方向乘法器（ADMM）算法以及其在高维中的快速计算扩展。研究表明，该方法具有应用价值。

Jan, 2016

现有的属性编辑方法将语义属性视为二进制，导致每个属性只能进行一次编辑。然而，如眼镜、微笑或发型等属性展示了广泛的多样性。在本研究中，我们通过建模属性编辑的多维性质来提出 “多样属性编辑” 的任务，从而使用户能够为每个属性生成多个合理的编辑。我们利用预训练 GAN 的分离潜空间和训练一个去噪扩散概率模型（DDPM）来学习用于多样编辑的潜分布。具体而言，我们通过嵌入具有单个属性变化的图像对来训练 DDPM，从而得到能够实现多样属性编辑的潜子空间。在高度压缩的潜空间中应用扩散使我们能够在有限的计算资源内模拟丰富的编辑分布。通过广泛的定性和定量实验，我们展示了我们的方法在多样属性编辑方面的有效性。我们还展示了我们的方法在各种面部属性的三维编辑方面的结果。

Nov, 2023

通过提出一种基于新型结构规范的通用框架，以及使用线性化的多块交替方向乘数法算法来高效地解决该问题，我们研究了从高维数据中估计稀疏、结构稀疏和密集组件的模型。在合成和实际数据集上的实验证实了这种方法的优越性。

Sep, 2016

该研究通过使用稀疏估计的参数来计算信赖区间，建立了基于大脑功能的参数分布，提出一种去偏的多任务融合 Lasso 方法。该方法可用于比较变化的功能脑网络边缘，并在自闭症研究方面进行了验证。

Dec, 2015

当训练数据集由 1:1 的狗和猫比例组成时，生成模型会更好地符合训练种群分布，而不是由 3:1 的狗和猫比例组成的其他模型。我们提出了一个新的评估协议来衡量生成的图像集与训练集在属性强度分布方面的差异。我们的指标为生成模型的评估奠定了基础。

Oct, 2023

基于循环单调构函数的半参数多属性图模型可以灵活地处理具有任意连续分布的节点向量，通过使用最优传输理论将其转化为高斯分布，从而实现对现代数据形式（如图像和多视角数据）中向量之间的条件独立性结构的探索，同时通过引入投影循环单调构函数模型来解决高维度属性导致的问题。

Apr, 2024

本论文提出了一种适应性统计算法 CACM，通过建立数据生成过程中的因果关系来自适应地识别并应用正确的独立性约束，从而提高对不可见域的准确性，证明了现有单一、固定约束算法无法在所有转移中有效而导致了混合实证结果。

Jun, 2022

我们提出了一种公平估计的高斯图模型，该模型可以通过两个偏差度量来促进不同敏感属性的节点组之间的统计相似性的平衡。利用这些度量，我们提出了一种称为 Fair GLASSO 的正则化图拉索方法，以获得在组之间具有无偏统计依赖关系的稀疏高斯精度矩阵。我们还提出了一种高效的近端梯度算法来获得这些估计值。在理论上，我们阐明了公平性和准确性之间的权衡关系，包括在公平性约束下准确性可以得到保持的情况。此外，我们研究了 Fair GLASSO 的复杂性，并证明了我们的算法具有快速收敛速度。通过合成和真实世界的模拟验证，我们展示了我们提出的优化问题和迭代算法的价值和有效性。

Jun, 2024

提出了一种新的透视角度，找出了生成模型异常检测中的问题，并建议整合判别模型以解决多峰分布问题，从而提高异常检测方法的性能。

Nov, 2022