本文提出了一种对于测量数据的协方差，结合网络结构进行有向网络链接重建的通用方法。

Apr, 2016

本文描述了一种从多元时间序列数据中推断功能连接网络的基本和系统化过程，旨在解释不确定性网络度量带来的不确定性，并展示了其在模拟数据和人体神经数据中的可靠性。

Mar, 2009

本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

Nov, 2013

本研究提出了一种分散式传感器网络方案，通过非线性耦合的动力系统的自同步，能够达到全局最优最大似然（ML）估计。

Dec, 2006

通过探究概率分布之间的确定性变换结构，我们建立了目标分布的马尔可夫特性与较低维耦合间的联系，从而解决高维情形下的非高斯图模型推断问题，并提出了相应的方案。

Mar, 2017

针对高维度的非高斯状态空间模型、非线性且可能是混沌动力学以及空间与时间稀疏的观测，我们提出了一种新的过滤方法，使用交通测度、凸优化和概率图模型的思想来产生高维度下的坚韧的集成近似过滤分布。我们的方法可被理解为集成卡尔曼滤波器（EnKF）的自然推广，使用随机或确定性耦合来进行非线性更新。使用非线性更新可以降低 EnKF 的固有偏差，只带来少量的计算成本。我们避免了任何形式的重要性采样，并引入了维度可扩展性的非高斯本地化方法。我们的框架在混沌区域的 Lorenz-96 模型的挑战配置下实现了最先进的跟踪性能。

Jun, 2019

本文介绍了如何使用线性时不变系统的预测误差识别方法来识别通过扩散耦合相互连接的物理动态网络的参数和互连结构，并发展了多步最小二乘凸优化算法来解决标识方法产生的非凸优化问题。

Jun, 2021

本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

本文介绍了两种新的机器学习方法来估计时间变化的网络，采用了一种顺序平滑的 $l_{1}$ 正则化逻辑回归形式，可用作标准凸优化问题，并利用通用求解器高效地解决大型网络。本文在虚拟数据集中还原时间变化网络，同时，从议员投票记录中反向构建了渐进改组政治网络的潜在序列，以及从周期性实验中重建了生物当量基因网络中的潜在演化调控网络。

Dec, 2008

本研究提出了新的互补方法来估计回归神经网络中的预测方差网络，经验证明此方法大幅改善了预测不确定性的估计。

Jun, 2019