该论文研究了针对集体统计数据的 Collective Graphical Model（CGM）的高斯近似方法，证明了当样本量增大时，其分布趋近于一个多维高斯分布（GCGM），并探讨了基于不同噪声模型的推断方法。研究结果表明，GCGM 推断方法在准确性和速度上优于 MCMC 和 MAP 方法。

May, 2014

本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

Oct, 2012

我们提出了一个全面的贝叶斯方法，用于确定观察研究中的图形模型，可以同时容纳二元、序数或连续变量。我们的新模型称为 Copula 高斯图形模型（CGGMs），并将图形模型选择嵌入半参数高斯 Copula 中。我们的方法的适用范围非常广泛，涵盖了许多社会科学和经济学研究。我们在分析 16 维功能残疾列联表中展示了 Copula 高斯图形模型的使用。

Aug, 2011

本文提出了一种适用于混合数据的图模型，该模型对高维数据来说简单而灵活，采用回归算法和群体套索惩罚法来拟合模型，并将其应用于 CAL500 音乐注释数据集，成功得到了将音频信号的连续特征与流派、情感和用途等分类变量之间关系的稀疏而可解释的图模型。

Apr, 2013

本文回顾和讨论了一些关于图模型的进展，包括了无向图模型和有向图模型的估计方法，以及处理潜在变量和异构数据源的拓展。

Jun, 2016

本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变化点的估计，并提出了一种高效算法用于对结构的估计，最后，对两个真实世界数据集的定性影响以及合理性进行研究。

Dec, 2015

该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

Mar, 2013

本文提出了一种基于高维 Expectation Conditional Maximization 算法的、能够在估计异构性图模型的同时学习群集结构的方法，通过在条件极大化步骤中施加联合图套索惩罚来提取所有群集中的同质性和异质性组件来实现学习群集结构，算法具有计算效率并且可以在不需要无监督学习知识的情况下实现，并通过广泛实验和应用于 Glioblastoma 癌症数据集揭示了对 Glioblastoma 癌症的新见解。

Nov, 2016

建立概率图模型从观测数据中学习结构时，会发现模型中的随机变量之间存在方向性的循环依赖关系。我们描述了一种概率图模型 - 概率关系网络，它允许直接捕捉结构学习过程中的方向性循环依赖关系。该模型基于一个简单的思想，即观测数据的每个样本都可以通过任意图来表示，这个图反映了样本中包含的变量间的依赖关系结构。我们探索了该模型中的完全联合分布和条件分布以及变量之间的条件独立性质。我们定义了从数据集构建模型和计算条件分布和完全联合分布的算法，并与贝叶斯网络和马尔可夫网络进行了数值比较。该模型不违背概率公理，支持从观测数据中学习，并支持概率推断，因此在数据分析、专家决策和设计应用中具有潜在的用途。

Oct, 2023

本文提出了一种名为潜在高斯 Copula 模型的半参数模型，用于建模二元和混合数据的多元统计学习。

Apr, 2014