- 从离散到连续：具有可传递表示的深度公平聚类
我们提出了一种灵活的深度公平聚类方法，可以同时处理离散和连续的敏感属性，通过设计一个信息瓶颈风格的目标函数来学习公平和友好的聚类表示，并首次探索了从聚类任务中提取的表示的可转移性到其他下游任务，实验证明我们的方法相比现有方法具有优势。
- 利用代理变量方法进行未观测变量的因果发现
本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试，这些非参数规则可以广泛适用于大量结构因果模型。
- ICML通用和可扩展的最优稀疏决策树
通过提出一种决策树优化框架，解决了当前领域中两个开放性问题：不平衡数据处理和连续变量完全优化。此外，我们还介绍了一种可扩展的算法，可以在存在连续变量的情况下产生可证明的最优结果，并相对于现有技术将决策树构建速度提高了数个数量级。
- 混合离散连续变量的混合哈密顿蒙特卡罗方法
提出了一种名为 Mixed HMC (M-HMC) 的新型 MCMC 算法，该算法可并行演化离散和连续变量，以解决 HMC 方法不能应用于具有混合离散和连续变量的分布的基本局限性，并在三个实验中证明了 M-HMC 算法优于现有方法的性能。
- ICML通过交替解缠学习数据的离散和连续因子
本文提出一种新方法实现无监督离散和连续特征分离，利用 Beta-VAE 框架通过级联信息流方式最小化连续潜变量的总相关性，并通过分离离散特征的推理过程减轻编码器负担，最后在实验中显示其显著优于现有方法的分离得分和推理网络分类得分。
- 贝叶斯分类器中连续分布的估计
本文研究了贝叶斯网络概率分布的建模问题，比较了两种密度估计方法，结论表明核估计是学习贝叶斯模型的有用工具。
- 基于核的条件独立性检验及其在因果发现中的应用
提出了一种基于核的条件独立性检验方法（KCI-test），可以有效地在维数较高、条件集较大、样本容量较小的情况下进行条件独立性检验，并且实验证明该方法胜过其他方法。
- 使用混合状态和动作变量解决分解的马尔可夫决策过程
本文介绍了一种可对连续和离散变量的大决策问题进行紧凑表示的混合分解 Markov 决策过程（MDP）模型和一种新的混合近似线性规划（HALP）框架，HALP 的核心思想是通过一组基函数的线性组合来近似最优价值函数，并通过线性规划来优化其权重