介绍了 gk R 包，可以用于高度偏斜或重尾数据的建模和参数推断，其中使用了 g-and-k 和（generalised）g-and-h 分布，主要关注于其分布函数和推断算法。

Jun, 2017

提出了一种非参数统计检验方法，用于判断给定样本是否来自目标密度函数，其中好度量采用使用再生核希尔伯特空间函数构造的发散度，检验统计量是基于目标密度和内核的对数梯度的经验估计的 V - 统计量，并使用野外引导过程估计空分布，适用于定量近似马尔可夫链蒙特卡罗方法的收敛、统计模型检验和评估非参数密度估计中的适配质量与模型复杂度。

Feb, 2016

本文提出了一种新的差异度量统计量，该统计量基于 Stein 的恒等式和再生核希尔伯特空间理论相结合。我们将其应用于测试概率模型与观测值的拟合程度，并派生了一类新的强大的适用于复杂和高维分布的拟合优度检验，即使对于具有计算难度的常数归一化分布亦如此。我们全面研究了方法的理论和实证特性。

Feb, 2016

该论文介绍了 Geomstats，一种开放源代码的 Python 工具箱，用于在非线性流形上进行计算和统计学，其提供了可靠的可重用构件，适用于机器学习应用中的微分几何和统计学领域。

Apr, 2020

介绍了 geomstats 这个 python 包，它支持处理多维流形，并提供多种 Riemannian metrics 以及 keras 深度学习框架等的实现，从而在机器学习中提供了一系列直观的损失函数选择。Paper 还对机器学习中的流形进行了回顾，并对 geomstats 进行了概述，并通过展示使用 geomstats 实现基于 Riemannian geometry 的机器学习示例来演示其高效性和易用性。

May, 2018

本文提出了一种球形卷积核，用于高效图形卷积处理 3D 点云数据，应用于图形神经网络中，实现点云分类和语义分割。

Sep, 2019

提出一种基于重现核希尔伯特空间和大偏差界限的统计检验框架，可用于分析和比较分布，特别对于数据库属性匹配具有很好的性能表现。

May, 2008

本文介绍了 Python GetDist 包的方法，可以利用核密度估计 (KDE) 计算边际化的一维和二维密度，以及产生多种出版物质量的图形和诊断收敛性

Oct, 2019

该研究提出了一类非参数两样本检验，其代价与样本大小成线性关系；文中给出了两种基于代表每个分布的解析函数距离集合的检验方法，其中第一种检验使用平滑的经验特征函数来表示分布，第二种使用再生核 Hilbert 空间中的分布嵌入。该方法具有更好的功率 / 时间平衡，并在高维度情况下保留了性能优势。

Jun, 2015

本研究介绍了一种名为 GraKeL 的 Python 图核心库，该库将多个不同的图核心融合为一个通用框架，可与 scikit-learn 模块结合使用，构建完整的机器学习管道来实现图分类和聚类等任务。

Jun, 2018