本文提出了一种基于纯观测数据的全非参数因果推断方法 ——Kernel Conditional Deviance for Causal Inference（KCDC），用于发现一组变量之间的因果结构，并在合成数据集和真实世界时间序列数据以及 Tubingen Cause-Effect Pairs 真实世界基准数据集上的测试中取得了超越现有最先进方法的成果。

Apr, 2018

本文介绍了一种基于核化的异构风险最小化算法，实现了潜在特性探索和不变学习，并通过指定不变梯度方向向原始神经网络传递反馈。我们从理论和实践两方面证明了我们的算法的有效性。

Oct, 2021

本研究使用核均值嵌入分类将因果推断作为问题，从数据中直接学习因果推理，并在合成和实际数据上验证了方法的性能，赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize，并排名第三.

Sep, 2014

本文将贝叶斯方法扩展到异质时间序列数据的可解释核嵌入，其可用于聚类、模式识别和异常检测等，相较于以往的关系核学习方法，具有更强的实用性。

Aug, 2019

该研究介绍了两种机器学习建模方法 —— 不变性随机特征和不变性核方法，其中不变性核方法包括全局平均池化的卷积神经网络的神经切比雪夫核。研究表明，建立不变性机制使得机器学习模型样本容量和隐藏层单元数量成指数降低，从而在保持测试误差不变的情况下提高统计效率。此外，研究表明，数据增广与无结构核估计等价于一个不变性核估计，具有相同的统计效率。

Feb, 2021

提出了一个新的因果推断框架，用于在联邦设置中从多个分散的数据源中学习因果效应。通过使用随机傅里叶特征将损失函数分解为多个组件，介绍了一种自适应传输算法，学习数据源之间的相似性，并且估计源之间的相似度通过传输系数，因此无需先前的相似性量度信息，可在源之间独立且系统地整合异质性的因果效应，并提供最小最大下限来评估从不同数据源学习的参数的质量。在分布不同的分散数据源上，该方法实际上比基线方法表现更好。同时不会共享原始的训练数据，从而最小化隐私泄露风险。

Jan, 2023

利用基于核函数的条件独立性测试以及基于约束的因果发现算法，本文致力于从随机动力系统中推断因果结构，证明在路径空间中，我们提出的条件独立性测试相较于现有方法表现优秀，并在允许循环的随机动力系统中，利用时间信息恢复出完整的有向图，通过实验证明我们开发的条件独立性测试结合因果发现算法在多种场景下可靠地优于基线模型。

Feb, 2024

提出了一种基于核的条件独立性检验方法（KCI-test），可以有效地在维数较高、条件集较大、样本容量较小的情况下进行条件独立性检验，并且实验证明该方法胜过其他方法。

Feb, 2012

该文介绍了一种基于希尔伯特空间嵌入的分布表征方法，该方法利用再生核希尔伯特空间将分布映射到一个空间中，并扩展了一般支持向量机和其他核方法的整个内核方法库，为概率测量、统计推断、因果发现和深度学习等领域提供了广泛应用，并讨论了该方法的理论保证，应用和未来的研究方向。

May, 2016

研究核均值嵌入的三个问题：（I）对于给定的内核，可以嵌入哪些集？（II）嵌入何时在 M 上是单射的（在这种情况下，dk 是度量的）？（III）dk 诱导的拓扑与 M 上的其他拓扑如何比较？

Apr, 2016