本研究提出了一种简单的概率建模方法，将分类问题中异方差标签误差的考虑引入到损失函数中，以达到减少过拟合，提高鲁棒性的效果。

Apr, 2023

该研究针对训练样本标签随机出错的分类问题，提出一种新的判别方法：通过对杂质标签的最大去噪实现真实类别条件分布的识别，其基础概念是相互不可约的真实类别条件分布，另外，相关实验表明，该方法在标杆数据和核粒子分类问题上具有有效性。

Mar, 2013

本研究证明在逻辑回归模型中，当样本量和自变量个数的比例变大时，MLE 的偏差和方差均远大于经典预测所得，常用的 LRT 也未能满足卡方分布，因此现有的软件包所得出的推论是不可靠的。

Mar, 2018

在这项工作中，我们介绍了一种推广的情况，其中未标记的样本来自两类的混合物，研究了在最大均值差异（MMD）分离条件下非参数密度类的极小样本复杂性，并且通过用神经网络参数化的核函数在两个任务上进行了实证性能研究，即在探测希格斯玻色子和检测植入的 DDPM 生成图像与 CIFAR-10 图像之间。对于这两个问题，我们确认了理论预测的非对称的 m 与 n 之间的交换比例存在。

Aug, 2023

本研究针对回归任务中的训练数据中的离群值和嘈杂标签对基于最大似然的不确定性估计方法的鲁棒性进行基准测试，并提出使用重尾分布（拉普拉斯分布）来提高对离群值的鲁棒性。通过标准回归基准测试和单目深度估计的高维回归任务进行了验证，得出了基于重尾分布的最大似然提供更好的不确定性估计，更好的超出分布数据的不确定性分离，以及在存在离群值的情况下更好的对抗性攻击检测等结论。

Feb, 2022

在存在噪音标签的情况下，我们研究了在线分类问题。通过一般的核来建模噪音机制，为任何特征 - 标签对指定了一个（已知）噪音标签分布集合。每个时间步骤，对手根据实际的特征 - 标签对从核指定的分布集合中选择一个未知分布，并根据所选分布生成噪音标签。学习者根据迄今为止观察到的实际特征和噪音标签进行预测，如果预测与真实情况不同，则遭受损失 1（否则为 0）。预测质量通过计算有限时间视野 T 上的极小化风险来量化。我们证明了对于广泛的自然噪音核、对手选择的特征和有限类别的标记函数，极小化风险可以上界独立于时间视野并以标记函数类别尺寸的对数形式增长。然后，我们通过随机顺序覆盖的概念将这些结果推广到无限类别和随机生成的特征。我们的结果通过对在线条件分布估计的新颖归约提供了直观理解，并且扩展并包含了 Ben-David 等人（2009）的研究结果，具有显著的广泛性。

Sep, 2023

研究提出了一种更高效的密度估计方法，从而解决了一些复杂的生成学习算法中难以估计模型质量的问题，并证明其提供了真实测试对数似然的下界和无偏估计，同时还提出了一种偏差估计的变体，可以在有限的样本数下可靠地用于模型比较。

Nov, 2013

基于数据驱动方法的概率建模用于电力系统运行和规划过程，需要充足的大型数据集。本文提出一种自适应的核密度估计模型，通过分配可学习的权重给核心实现了该模型的性能改进，同时使用修正的期望最大化算法加快优化速度，并通过和高斯混合模型的比较，表明所提出的模型具有良好的性能。

Oct, 2023

透过研究样本复杂度，我们发现逻辑回归模型的参数估计受到维数和逆温度的影响，其样本复杂度曲线在逆温度上具有两个临界点，明确地分割低、中、高温度区间。

Jul, 2023

我们提出了一种新的方法用于稳健的不确定性量化，将分类问题视为在干扰参数下的假设检验问题，通过估计分类器在整个干扰参数空间上的接收器操作特性（ROC），我们能够设计在广义标签偏移下不变的截断点，从而有效赋予预训练分类器领域适应能力，并返回有效的预测集合同时保持高度的分类性能。

Feb, 2024