提出一种通过高效的区分测试而非逐个数据点的注释来揭示数据的层次结构的方法，利用二选一强制选择测试和深度度量学习将数据嵌入语义空间，并通过实验证明了该方法的可行性。

May, 2019

研究发现现有的分布距离度量方法，例如 Frechetdistance 或 Maximum Mean Discrepancy，不能在分布偏移中可靠地估计模型性能；然而，分类器预测的置信度差异能够成功地估计分类器在各种转移情况下的性能变化，并且在几个现实和具有挑战性的分布转移中有效地减少预测误差近一半（46％），这一方法称为 DoC (Difference of Confidences)。

Jul, 2021

通过新的基于深度学习的方法，我们可以预测人眼在得到图片时可能出现的感知误差，这种方法可以更好地模拟人类感知系统对失真图像的认知。

Jun, 2018

本文介绍了一种分布无关的基于图形的双样本检验方法，并提供了分析和比较其渐进性质的统一框架。该文章研究表明底层图形的组合特性对关联的双样本检验的性能产生影响，并且可以用于验证和决定在实践中使用哪种检验。

Aug, 2015

通过测量干预估计的准确度来评估因果模型，并比较它与结构测量的结果，结果表明，结构测量往往与干预估计的准确度相差较远，因此建议使用干预分布的方法来评估因果模型，实证结果证实了结构测量在参数优化和算法选择上提供了误导。

Aug, 2016

探究在高维情况下对分类器的精度验证，证明一种基于排列组合的测试方法具有连续性及德克斯特拉极限分布的高斯近似测试也具有连续性，并以高斯分布为例进一步研究了线性判别分析和 Hotelling's 测试等方法的功率。

Feb, 2016

本文提出了一个新的两阶段度量学习算法，首先通过计算到一组固定锚点的相似度将每个学习实例映射到概率分布，然后在关联的统计流形上定义输入数据空间上的 Fisher 信息距离，这在输入数据空间中引入了一组具有独特特性的距离度量，不像核化度量学习，我们不需要要求相似度度量是半正定的，而且也可以被解释为具有良好定义的距离逼近的局部度量学习算法。我们在多个数据集上评估了其性能，它明显优于其他度量学习方法和支持向量机（SVM）。

May, 2014

感知是将外部物理变量转化为内部心理变量的过程，本研究通过使用概率模型测量感知刻度来证明观察者具有对空间频率、方向等参数进行内部表征，且感知刻度主要受到刺激功率谱的影响，最终提出使用感知刻度来估计图像之间的感知几何路径的概念。

Oct, 2023

研究度量扭曲问题：有两个点集 V 和 C，它们在相同的度量空间中，我们的目标是选择 C 中一点，其到 V 点的总距离尽可能小。我们提出了使用排名作为输入的算法，并提供了它们的扭曲界限。

Apr, 2020

本研究提出了贝叶斯实验设计方法，用于综合刺激集，以高效地区分候选神经网络模型，并为模型比较而设计实验的表示相似性分析。我们的结果表明，与识别、分类或自编码相同架构的神经网络训练在反演 3D 脸部模型渲染器方面更符合人类表现。

Nov, 2022