本论文提出了一种学习哈密顿动力学的方法，能够从有限的数据点中学习哈密顿向量场，使用具有哈密顿性质的向量场在重构核希尔伯特空间上进行正则优化，并要求向量场为奇数或偶数。通过使用辛核函数，论文展示了如何修改这个辛核函数为奇数或偶数，并通过模拟验证了该方法在两个哈密顿系统中的性能，证明了所学到的动力学是哈密顿的，并且所学到的哈密顿向量场可以指定为奇数或偶数。

Dec, 2023

我们提出了一种新颖的扩散方案，用于在网络上进行基于内核的在线学习，通过使用 Random Fourier Features，将解决方案近似为固定大小的向量，并提供了渐近收敛和网络遗憾的限制条件。

Mar, 2017

给出一种结构保持的核岭回归方法，可以从由哈密顿矢量场的噪声观测组成的数据集中恢复可能是高维和非线性的哈密顿函数。该方法提供了一个闭式解，其数值性能优于文献中提出的其他技术。从方法论的角度，本文将核回归方法扩展到需要涉及梯度线性函数的损失函数的问题，特别是在这种背景下证明了微分再生性质和 Representer 定理。分析了结构保持的核估计量与高斯后验均值估计量之间的关系。进行了完整的误差分析，使用固定和自适应正则化参数提供了收敛速度。通过各种数值实验展示了所提出估计器的良好性能。

Mar, 2024

提出了一种基于惩罚最大似然的一般方法来估计带噪声的微分方程组的参数，并使用再生核希尔伯特空间方法来将估计问题形式化为易于解决的无约束数值最大化问题，并用合成的数据测试了所提出的方法，并使用基因表达数据估计未观察到的转录因子 CdaR 在 Steptomyes coelicolor 中的作用。

Nov, 2013

该研究提出了一种基于 Koopman 算子理论的新型重现核希尔伯特空间 (RKHS)，称为 Koopman Kernel Regression (KKR)，可以提高预测的准确性和泛化能力，对于以 Koopman 为基础的预测器，最新的统计学习方法存在限制，所以提供比现有研究更为详尽的证明和更宽松的假设。

May, 2023

提出了一种使用向量值再生内积核空间提供的隐式公式的线性方法来学习非参数 ODE 系统的学习算法，其解决方案依赖于与解决方案轨迹相关的多元占用核函数，这在高度非线性的模拟和实际数据上进行了验证，并通过学习非参数一阶拟线性偏微分方程的方法证明了其多样性。

Jun, 2023

利用深高斯过程（Deep Gaussian Processes）的组合结构来建模非平稳过程，并借助全局傅里叶特征提高其捕捉复杂非平稳模式的能力，通过引入基于常微分方程的傅里叶特征使我们的模型能够通过卷积操作进行自适应振幅和相位调制，进一步提升了回归任务的预测性能。

Jul, 2024

研究了具有依赖性和非平稳在线数据流的递归正则化学习算法在复制核希尔伯特空间中的收敛性。通过研究随机差分方程在核希尔伯特空间中的均方渐近稳定性和随机 Tikhonov 正则化路径的概念，证明了算法输出与正则化路径一致，并且满足一定条件下算法输出与未知函数一致。对于独立和非同分布的数据流情况，通过研究边缘概率测度和定期时间段的平均测度，证明了均方一致性的实现。

Apr, 2024

利用扩展的再生核希尔伯特空间（RKHS）理论建立了一个新的框架，可以对功能响应进行函数回归模型建模。该方法只假定一般非线性回归结构，而不是以前研究过的线性回归模型，并提出了广义交叉验证（GCV）来进行自动平滑参数估计。新的 RKHS 估计方法在模拟和实际数据上进行了应用。

Feb, 2007

通过使用神经网络来近似再生核希尔伯特空间中的泛函的普适性，以及将其应用于广义函数线性模型的函数回归，本研究探讨了将功能性数据（如时间序列和图像）整合到神经网络中学习函数空间到 R 的映射（即泛函）的方法。同时，通过在再生核希尔伯特空间中建立内插正交投影，提出的网络简化了现有的功能学习工作，使用点评估替代基函数展开。

Mar, 2024